正确使用 One Hot Encoding，得到意外的值错误答案

【问题标题】：Correct usage of One Hot Encoding, got unexpected value error正确使用 One Hot Encoding，得到意外的值错误
【发布时间】：2020-06-29 18:59:51
【问题描述】：

我正在尝试通过对 sklearn 库中的一些分类数据进行热编码来预处理一些数据。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

# Importing the dataset
dataset = pd.read_csv('Churn_Modelling.csv')
X = dataset.iloc[:, 3:13].values
y = dataset.iloc[:, 13].values

# Encoding categorical data
from sklearn.preprocessing import OneHotEncoder

onehotencoder = OneHotEncoder(categories =X[:,1].reshape(-1,1))

如果一切顺利，我应该可以通过

对数据进行编码

X = onehotencoder.fit_transform(X).toarray()

（对吗？）但这引发了这个特殊的错误：

ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

有什么基本的我做的不对吗？我检查了文档 https://scikit-learn.org/0.20/modules/generated/sklearn.preprocessing.OneHotEncoder.html#sklearn.preprocessing.OneHotEncoder ，但这对我没有任何帮助...

我做错了什么基本的事情吗？我也很好奇为什么会弹出这个错误，我已经查过了，但我不明白它在这种情况下做了什么。如果我需要提供更多信息，请告诉我。

为了明确数据集：我有十列我只想对国家/地区的分类值进行热编码（有三个：法国、德国和西班牙），其余列保存数值。

我想知道的一件事是，对于参数类别，是否应该传递希望编码的整个列，或者是否只提供具有不同值的数组？所以不是

onehotencoder = OneHotEncoder(categories =X[:,1].reshape(-1,1))

应该做类似的事情

onehotencoder = OneHotEncoder(categories = np.array(['France','Germany','Spain']).reshape(-1,1))

最后一次编辑：我只是尝试找到一种“快速”的方式对整个数据集中的特定列进行热编码。

我知道我总是可以取出我想要热编码的列，在该列上运行简单的代码，然后将其重新插入数据帧，我只是希望我能找到一些可以应用的代码许多不同的情况，只需极少的编辑。

编辑：添加数据集的打印屏幕： Example of the data set

【问题讨论】：

只需从 fit_transform 中删除 .toarray()
感谢您的回复。但是，即使我删除它，我也会遇到同样的错误
你能提供你的数据样本吗？你有缺失值吗？
你为什么要在 OneHotEncoder 中填写 categories 参数？如果您需要对所有类别进行编码，它将自动进行。您想具体转换哪些类别？
嗨，我有一个数值范围，性别类别，我可以使用标签对其进行编码并且不需要热编码，我要编码的唯一类别是“地理”类别，它可以只取法国、德国和西班牙的值。我填写了类别参数，因为如果我将其保留在“自动”上，它似乎会编码所有值，数字值当然也不是我想要的。我通过切片此列并按如下方式成功地对地理进行了热编码，但随后将它们再次插入数据集中会变得混乱......我将提供数据集的示例

标签： python scikit-learn one-hot-encoding

【解决方案1】：

你有问题：当你这样做时：

X = dataset.iloc[:, 3:13].values

你得到一个 numpy 数组，没有列名。

你做的：

onehotencoder = OneHotEncoder(categories =X[:,1].reshape(-1,1))

这意味着您只需要第二列中的值作为类别。但是您需要唯一的值，因此您应该这样做：

categories=np.unique(X[:,1]).reshape(-1,1)
onehotencoder = OneHotEncoder(categories=categories, handle_unknown='ignore')

我还添加了handle_unknown 参数，以防矩阵中的值可能不在categories 中。

先试试这个。

【讨论】：

嗨，是的，我尝试了两种方法：删除 .values 并正常进行，并添加列表类别（在数据集中，唯一的选项是德国、法国和西班牙。数据集非常更干净，没有缺失值等）
您应该只在categories 中设置唯一值，这就是重点。你试过了吗？它奏效了吗？如果您的数据与您所说的一致，您可以添加或不添加 handle_unknown 参数。
谢谢你，我确实认为有一次，如果我没记错的话，我会再试一次以确保。我目前正在运行一些大型计算，所以我会尽快发布结果
实际上当程序必须在多个选项中进行选择时会发生错误（您必须添加all()或any()）。这可能与多项选择有关。否则，如果您想进行测试，您可以在数据集的较小样本上运行它，例如 100 个样本。