sklearn preprocessing 数据预处理（OneHotEncoder）

1. one hot encoder

sklearn.preprocessing.OneHotEncoder

one hot encoder 不仅对 label 可以进行编码，还可对 categorical feature 进行编码：

>>> from sklearn.preprocessing import OneHotEncoder
>>> enc = OneHotEncoder()

>>> enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])

>>> enc.n_values_
array([2, 3, 4])

>>> enc.feature_indices_
array([0, 2, 5, 9])

>>> enc.transform([[0, 1, 1]]).toarray()
array([[ 1.,  0.,  0.,  1.,  0.,  0.,  1.,  0.,  0.]])

1
2
3
4
5
6
7
8
9
10
11
12
13
1
2
3
4
5
6
7
8
9
10
11
12
13

为 OneHotEncoder 类传递进来的数据集：

[[0, 0, 3],
[1, 1, 0],
[0, 2, 1],
[1, 0, 2]]

1
2
3
4
1
2
3
4

每一列代表一个属性，fit 操作之后：
对象

enc

的

n_values_

成员变量，记录着每一个属性的最大取值数目，如本例第一个属性：

0,
1, 0, 1

 ⇒ 2，

0, 1, 2, 0

 ⇒ 3，

3,
0, 1, 2

 ⇒ 

4

； 
即各个属性（feature）在 one hot 编码下占据的位数；

对象 

enc

 的 

feature_indices_

，则记录着属性在新
One hot 编码下的索引位置， 
feature_indices_ 是对 n_values_ 的累积值，不过 feature_indices 的首位是 0；

进一步通过 fit 好的 one hot encoder 对新来的特征向量进行编码：

>>> enc.transform([[0, 1, 1]]).toarray()
array([[ 1.,  0.,  0.,  1.,  0.,  0.,  1.,  0.,  0.]])

1
2
1
2
前 2 位 1, 0，对 0 进行编码
中间 3 位 0, 1, 0 对 1 进行编码；
末尾 4 位 0, 1, 0, 0 对 1 进行编码；