对python 数据处理中的LabelEncoder 和 OneHotEncoder详解
2018-07-11 09:08
1296 查看
如下所示:
#简单来说 LabelEncoder 是对不连续的数字或者文本进行编号 from sklearn.preprocessing import LabelEncoder le = LabelEncoder() le.fit([1,5,67,100]) le.transform([1,1,100,67,5]) 输出: array([0,0,3,2,1]) #OneHotEncoder 用于将表示分类的数据扩维: from sklearn.preprocessing import OneHotEncoder ohe = OneHotEncoder() ohe.fit([[1],[2],[3],[4]]) ohe.transform([2],[3],[1],[4]).toarray() 输出:[ [0,1,0,0] , [0,0,1,0] , [1,0,0,0] ,[0,0,0,1] ]
以上这篇对python 数据处理中的LabelEncoder 和 OneHotEncoder详解就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。
您可能感兴趣的文章:
相关文章推荐
- sklearn.preprocessing.LabelEncoder和onehotencoder
- python 数据处理中的 LabelEncoder 和 OneHotEncoder
- LabelEncoderm OneHotEncoder 在python中的运用
- python 数据处理中的 LabelEncoder 和 OneHotEncoder
- pandas 下的 one hot encoder 及 pd.get_dummies() 与 sklearn.preprocessing 下的 OneHotEncoder 的区别
- 所涉及到的几种 sklearn 的二值化编码函数:OneHotEncoder(), LabelEncoder(), LabelBinarizer(), MultiLabelBinarizer()
- 所涉及到的几种 sklearn 的二值化编码函数:OneHotEncoder(), LabelEncoder(), LabelBinarizer(), MultiLabelBinarizer()
- Sklearn中LabelEncoder与OneHotEncoder
- scikit-learn使用OneHotEncoder处理Nominal属性的机器学习流程(Random Forest算法为例)
- OneHotEncoder
- sklearn.preprocessing.OneHotEncoder
- sklearn preprocessing 数据预处理(OneHotEncoder)
- python类别变量(class_label)转换为One_Hot的几种方式
- sklearn preprocessing 数据预处理(OneHotEncoder)
- LabelEncoder与OneHotEncoder
- Spark MLlib特征处理:OneHotEncoder OneHot编码 ---原理及实战
- 基于python爬虫数据处理(详解)
- Spark MLlib特征处理:OneHotEncoder OneHot编码 ---原理及实战
- 基于【pandas】的数据预处理(含定制【OneHotEncoder】方法)
- 基于sklearn的序列处理 : LabelEncoder 与 OneHotEncoder