一种热编码功能答案

【问题标题】：one hot encoding function一种热编码功能
【发布时间】：2018-10-25 07:59:05
【问题描述】：

我需要创建一个函数，它接受两个整数 x 和 N，其中 N > x 并返回一个维度为 N 的向量，除了组件 x 外，它的向量全为零，其中它有一个1。

我设法通过以下方式做到了，

Function=function(x,N){
  vec=rep(0,N)
  r=as.integer(x)
  vec[r]=1
  return(vec)
}

但是当我需要迭代过程并将其应用于大量实现时，速度非常慢。另一方面，我的一个朋友可以用一个 python 函数（我认为是“OneHotEncoder”）来做同样的事情，而且速度非常快。

我想知道 R 中是否有适合此目的的函数。

【问题讨论】：

问题可能在于你如何将此函数应用于更大的案例，而不是函数本身。
不定义自定义函数，可以library(magrittr); integer(N) %>% `[<-`(x, 1L)
您可以使用已经可用的优化方法之一，而不是编写自己的 one-hot 编码器，例如 model.matrix（或 Matrix::sparse.model.matrix，如果您的数据非常大）。如果你在 R 标签中搜索“one hot encoding”或“dummy variables”，你会发现很多例子。
相关帖子：stackoverflow.com/questions/5048638/… 和 stackoverflow.com/questions/11952706/generate-a-dummy-variable

标签： r one-hot-encoding

【解决方案1】：

按照@Axeman 所说的，您应该考虑是否可以以矢量化方式找到单热编码，即类似的方式

set.seed(1234)
x = sample.int(5, size=10, replace=TRUE)
x
#  [1] 1 4 4 4 5 4 1 2 4 3

nC = max(x) #could be also larger (user-defined)
nR = length(x)
matrix(`[<-`(integer(nR * nC),(seq.int(nR) - 1) * nC + x, 1),
       nR, nC, byrow=TRUE)
#       [,1] [,2] [,3] [,4] [,5]
#  [1,]    1    0    0    0    0
#  [2,]    0    0    0    1    0
#  [3,]    0    0    0    1    0
#  [4,]    0    0    0    1    0
#  [5,]    0    0    0    0    1
#  [6,]    0    0    0    1    0
#  [7,]    1    0    0    0    0
#  [8,]    0    1    0    0    0
#  [9,]    0    0    0    1    0
# [10,]    0    0    1    0    0

将model.matrix 方法与上面给出的方法进行比较：

#longer input vector
x = sample.int(5, size=1e4, replace=TRUE)

oneHotMtx = function(x) {
  nC = max(x) #could be also larger (user-defined)
  nR = length(x)
  matrix(`[<-`(integer(nR * nC),(seq.int(nR) - 1) * nC + x, 1),
         nR, nC, byrow=TRUE)
}

oneHotMdl = function(x) {
  xf = factor(x)
  model.matrix(~xf+0)
}

oneHotMdl2=function(x) {
  #version without factor conversion
  model.matrix(~x+0)
}

xf = factor(x)
library(microbenchmark)
microbenchmark(oneHotMtx(x),
               oneHotMdl(x),
               oneHotMdl2(xf), times=1e3)

#Unit: microseconds
#          expr      min       lq      mean    median       uq        max neval cld
#  oneHotMtx(x)  386.621  412.510  678.2977  416.4625  435.382   5394.265  1000 a  
#  oneHotMdl(x) 7363.481 7528.230 8823.8435 7629.8850 7851.019 261808.302  1000   c
#oneHotMdl2(xf) 4253.366 4377.784 5059.0979 4471.5315 4638.637 257106.400  1000  b

【讨论】：

但是为什么要使用这种方法一次对一个变量进行一次热编码，而不是使用model.matrix 一次完成所有这些呢？毫无疑问，这是对 OP 代码的改进，但为什么要停在这里呢？
很好，虽然我认为在模型矩阵运行时包含因子转换并不公平，但我认为更常见的用例将从因子开始。
谢谢@Gregor，我认为您找到了问题所在。到目前为止，我一直在使用 for 循环将该函数应用于大向量的每个分量。 “model.matrix”似乎是我一直在寻找的。我现在就研究一下它是如何工作的。
@Gregor 好点 - 添加了另一个没有因子转换的版本。
@3sm1r 只需确保您想要一次性编码的任何列都是因素，然后是 mm = model.matrix(response ~ . + 0, data = your_data_frame)。

【解决方案2】：

试试

one_hot_encoder <- function(x, N) {
  vec <- integer(N)
  vec[x] <- 1L
  return(vec)
}

【讨论】：

使用 1L 而不是 1 可以避免将 vec 从整数强制转换为数字。
非常感谢你们俩。

【解决方案3】：

@cryo111 答案的更详细的变体：

one_hot_vec <- function(x) {
    nc <- max(x)
    nr <- length(x)
    m <- integer(nr * nc)
    i <- (seq_len(nr) - 1) * nc + x
    m[i] <- 1L
    matrix(m, nrow = nr, ncol = nc, byrow = TRUE)
}

【讨论】：