如何在我的代码中使用 One hot Encoder，而不使用 categorical_features？答案

【问题标题】：How to use One hot Encoder in my code, without using categorical_features?如何在我的代码中使用 One hot Encoder，而不使用 categorical_features？
【发布时间】：2021-01-31 06:18:06
【问题描述】：

Car	Model	Mileage	Sell Price($)	Age(yrs)
0	BMW X5	69000	18000	6
1	BMW X5	35000	34000	3
2	BMW X5	57000	26100	5
3	BMW X5	22500	40000	2
4	BMW X5	46000	31500	4
5	Audi A5	59000	29400	5
6	Audi A5	52000	32000	5
7	Audi A5	72000	19300	6
8	Audi A5	91000	12000	8
9	Mercedez Benz C class	67000	22000	6
10	Mercedez Benz C class	83000	20000	7
11	Mercedez Benz C class	79000	21000	7
12	Mercedez Benz C class	59000	33000	5

上面是我的数据框，我想使用一个热编码器对“汽车模型”进行编码。

【问题讨论】：

这能回答你的问题吗？ How can I one hot encode in Python?
@yudhiesh 我尝试锁定几个这样的示例，但无法在可能的代码中使用相同的示例。我是初学者，因此有很多困惑。
再看你的问题，不使用categorial_features是什么意思？
@yudhiesh categorical_features 是一个属性，用于声明要为一个热编码器编码哪一列，在观看教程时我发现很多人都在使用它，但现在它会引发错误，因为它目前已从最新的python。
我在没有使用scikit-learn的情况下添加了答案。

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

【解决方案1】：

您可以像这样对分类变量进行一次性编码。

one_hot_data = pd.get_dummies(df.Model, prefix='Model')
df = pd.concat([df, one_hot_data], axis=1)

编辑：

import pandas as pd
from sklearn.preprocessing import LabelBinarizer

jobs_encoder = LabelBinarizer()
jobs_encoder.fit(df['Model'])
transformed = jobs_encoder.transform(df['Model'])
ohe_df = pd.DataFrame(transformed)
df = pd.concat([df, ohe_df], axis=1).drop(['Model'], axis=1)

【讨论】：

非常感谢您添加此答案，但我已经学会使用虚拟变量并且也能够合并，但由于我是初学者，我想了解 OneHotEncoder 并合并它。
@DikshaNasa 使用LabelBinarizer()尝试更新的答案
@DikshaNasa 请接受并支持我的回答。

【解决方案2】：

我用下面的代码解决了：

from sklearn.preprocessing import LabelEncoder
le=LabelEncoder()
dfle['Car Model']=le.fit_transform(dfle['Car Model'])
ohe=OneHotEncoder()
dfle['Car Model']=pd.DataFrame(ohe.fit_transform(df[['Car Model']]).toarray())
dfle.head()
X=dfle[['Car Model','Mileage','Age(yrs)']].values

【讨论】：