在 sklearn 中使用 One Hot Encoding 编码 32 位十六进制数答案

【问题标题】：Encoding 32bit hex numbers using OneHotEncoding in sklearn在 sklearn 中使用 One Hot Encoding 编码 32 位十六进制数
【发布时间】：2014-10-17 13:45:13
【问题描述】：

我有一些分类特征散列成 32 位十六进制数字，例如，在一个类别中，三个不同的类被散列成：

'05db9164'  '68fd1e64' '8cf07265'

One Hot Encoding将这些映射成二进制数组，只有一位为1，另一位为0。所以如果我想对上述特征进行编码。只需要三个位。

001 correspond to 05db9164, 010 correspond to 68fd1e64, 100 correspond to 8cf07265

但是当我在 sklearn 中使用 OneHotEncoder 时，它告诉我这个数字太大了。这让我很困惑。因为我们不关心数字的数值属性。我们只关心它们是否相同。

另一方面，如果我编码 0,1,2:

enc = OneHotEncoder()
enc.fit([[0],[1],[2]])

print enc.transform([[0]]).toarray()
print enc.transform([[1]]).toarray()
print enc.transform([[2]]).toarray()

我得到了预期的答案。而且我认为这些 32bit 十六进制数是用来表示类别中的类的。所以它与 0 , 1 ,2 相同。并且 [0,0,1], [0,1,0],[1,0,0] 足以对其进行编码。你能帮帮我吗。非常感谢。

【问题讨论】：

标签： python machine-learning scikit-learn data-mining one-hot-encoding

【解决方案1】：

如果您的数组不是很长，您可以使用np.unique 重命名特征。这样，您还可以确定不同特征的最大数量，作为回报，您可以将其提供给OneHotEncoder，以便它知道要分配多少列。请注意，重命名本身并不是必需的，但它具有生成使用更少空间的整数的良好副作用（如果您使用np.int32）。

import numpy as np
rng = np.random.RandomState(42)
# generate some data
data = np.array(['05db9164', '68fd1e64', '8cf07265'])[rng.randint(0, 3, 100)]

uniques, new_labels = np.unique(data, return_inverse=True)
n_values = len(uniques)

from sklearn.preprocessing import OneHotEncoder
encoder = OneHotEncoder(n_values=n_values)
encoded = encoder.fit_transform(new_labels[:, np.newaxis])

print repr(encoded)

【讨论】：