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.

  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~ 。

最后此篇关于Python实现类别变量的独热编码（One-hotEncoding）的文章就讲到这里了,如果你想了解更多关于Python实现类别变量的独热编码（One-hotEncoding）的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。