百木园 本文介绍基于Python下OneHotEncoder与pd.get_dummies两种方法，实现机器学习中最优的编码方法——独热编码的方法。
目录
- 1 OneHotEncoder
- 2 pd.get_dummies
在数据处理与分析领域，对数值型与字符型类别变量加以编码是不可或缺的预处理操作；这里介绍两种不同的方法。
1 OneHotEncoder
首先导入必要的模块。
import pandas as pd
from sklearn.preprocessing import OneHotEncoder
其中，OneHotEncoder是我们实现独热编码的关键模块。
接下来，导入并显示数据前五行。
test_data_1=pd.read_csv(\'G:/CropYield/03_DL/00_Data/onehot_test.csv\',names=[\'EVI0610\',\'EVI0626\',\'SoilType\'],header=0)
test_data_1.head(5)
关于这里导入数据代码的解释，大家可以查看多变量两两相互关系联合分布图的Python绘制与Python TensorFlow深度学习回归代码：DNNRegressor这两篇文章，这里就不再赘述啦~
数据前五行展示如下图。其中，前两列\'EVI0610\'与\'EVI0626\'为数值型连续变量，而\'SoilType\'为数值型类别变量。我们要做的，也就是将第三列\'SoilType\'进行独热编码。
接下来，进行独热编码的配置。
ohe=OneHotEncoder(handle_unknown=\'ignore\')
ohe.fit(test_data_1)
在这里，第一行是对独热编码的配置，第二行则是对我们刚刚导入的数据进行独热编码处理。得到一个独热编码配置的输出结果。
接下来，看看独热编码处理后，将我们的数据分成了哪些类别。
ohe.categories_
得到结果如下图。
可以发现，一共有三个array，为什么呢？仔细看可以发现，独热编码是将我们导入的三列数据全部都当作类别变量来处理了。之所以会这样，是因为我们在一开始没有表明哪一列是类别变量，需要进行独热编码；而哪一列不是类别变量，从而不需要进行独热编码。
那么，我们如何实现上述需求，告诉程序我们要对哪一行进行独热编码呢？在老版本的sklearn中，我们可以借助categorical_features=[x]参数来实现这一功能，但是新版本sklearn取消了这一参数。那么此时，一方面，我们可以借助ColumnTransformer来实现这一过程，另一方面，我们可以直接对需要进行转换的列加以处理。后者相对较为容易理解，因此本文对后者进行讲解。
我们将test_data_1中的\'SoilType\'列作为索引，从而仅仅对该列数据加以独热编码。
ohe_column=pd.DataFrame(ohe.fit_transform(test_data_1[[\'SoilType\']]).toarray())
ohe_column.head(5)
其中，[[\'SoilType\']]表示仅仅对这一列进行处理。得到结果如下图。
可以看到，原来的\'SoilType\'列现在成为了63列的编码列，那么这样的话，说明我们原先的\'SoilType\'应该一共是有63个不同的数值。是不是这个样子呢？我们来检查一下。
count=pd.DataFrame(test_data_1[\'SoilType\'].value_counts())
print(count)
得到结果如下。
好的，没有问题：可以看到此结果共有63行，也就是\'SoilType\'列原本是有63个不同的值的，证明我们的独热编码没有出错。
此时看一下我们的test_data_1数据目前长什么样子。
test_data_1.head(5)
是的，我们仅仅对\'SoilType\'列做了处理，没有影响到整个初始数据。那么先将原本的\'SoilType\'列剔除掉。
test_data_1=test_data_1.drop([\'SoilType\'],axis=1)
test_data_1.head(5)
再将经过独热编码处理后的63列加上。
test_data_1.join(ohe_column)
大功告成！
但是这里还有一个问题，我们经过独热编码所得的列名称是以数字来命名的，非常不方便。因此，有没有什么办法可以在独热编码进行的同时，自动对新生成的列加以重命名呢？
2 pd.get_dummies
pd.get_dummies是一个最好的办法！其具体用法与上述OneHotEncoder类似，因此具体过程就不再赘述啦，大家看代码就可以明白。
首先还是导入与上述内容中一致的初始数据。
test_data_2=pd.read_csv(\'G:/CropYield/03_DL/00_Data/onehot_test.csv\',names=[\'EVI0610\',\'EVI0626\',\'SoilType\'],header=0)
test_data_2.head(5)
进行独热编码并看看结果。
test_data_2_ohe=pd.get_dummies(test_data_2,columns=[\'SoilType\'])
test_data_2_ohe.head(5)
最终结果中，列名称可以说是非常醒目，同时，共有65列数据，自动删除了原本的\'SoilType\'列，实现了“独热编码”“新列重命名”与“原始列删除”，可谓一举三得，简直是太方便啦~
来源：https://www.cnblogs.com/fkxxgis/p/17122059.html
本站部分图文来源于网络，如有侵权请联系删除。