如何在 Python 中进行一次热编码？

Question

我有一个包含 80% 分类变量的机器学习分类问题。 如果我想使用某个分类器进行分类，我必须使用一种热编码吗？ 我可以在没有编码的情况下将数据传递给分类器吗？

我正在尝试执行以下功能选择：

1. 我读了火车文件：

    num_rows_to_read = 10000 train_small = pd.read_csv("../../dataset/train.csv", nrows=num_rows_to_read)

2. 我将分类特征的类型更改为“类别”：

    non_categorial_features = ['orig_destination_distance', 'srch_adults_cnt', 'srch_children_cnt', 'srch_rm_cnt', 'cnt'] for categorical_feature in list(train_small.columns): if categorical_feature not in non_categorial_features: train_small[categorical_feature] = train_small[categorical_feature].astype('category')

3. 我使用一种热编码：

    train_small_with_dummies = pd.get_dummies(train_small, sparse=True)

问题是第三部分经常卡住，尽管我使用的是一台强大的机器。

因此，如果没有一种热编码，我就无法进行任何特征选择，以确定特征的重要性。

你有什么建议吗？

Answer 1

方法 1：您可以使用 pandas 的pd.get_dummies 。

示例 1：

import pandas as pd
s = pd.Series(list('abca'))
pd.get_dummies(s)
Out[]: 
     a    b    c
0  1.0  0.0  0.0
1  0.0  1.0  0.0
2  0.0  0.0  1.0
3  1.0  0.0  0.0

示例 2：

以下将把给定的列转换为一个热列。 使用前缀有多个假人。

import pandas as pd
        
df = pd.DataFrame({
          'A':['a','b','a'],
          'B':['b','a','c']
        })
df
Out[]: 
   A  B
0  a  b
1  b  a
2  a  c

# Get one hot encoding of columns B
one_hot = pd.get_dummies(df['B'])
# Drop column B as it is now encoded
df = df.drop('B',axis = 1)
# Join the encoded df
df = df.join(one_hot)
df  
Out[]: 
       A  a  b  c
    0  a  0  1  0
    1  b  1  0  0
    2  a  0  0  1

方法 2：使用 Scikit-learn

使用OneHotEncoder的优点是能够fit一些训练数据，然后使用相同的实例对其他一些数据进行transform 。 我们还有handle_unknown来进一步控制编码器对看不见的数据的处理。

给定一个具有三个特征和四个样本的数据集，我们让编码器找到每个特征的最大值并将数据转换为二进制 one-hot 编码。

>>> from sklearn.preprocessing import OneHotEncoder
>>> enc = OneHotEncoder()
>>> enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])   
OneHotEncoder(categorical_features='all', dtype=<class 'numpy.float64'>,
   handle_unknown='error', n_values='auto', sparse=True)
>>> enc.n_values_
array([2, 3, 4])
>>> enc.feature_indices_
array([0, 2, 5, 9], dtype=int32)
>>> enc.transform([[0, 1, 1]]).toarray()
array([[ 1.,  0.,  0.,  1.,  0.,  0.,  1.,  0.,  0.]])

这是此示例的链接：http: //scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html

Answer 2

使用 Pandas 进行基本的 one-hot 编码要容易得多。 如果您正在寻找更多选项，您可以使用scikit-learn 。

对于Pandas的基本 one-hot 编码，您将数据帧传递给get_dummies函数。

例如，如果我有一个名为imdb_movies的数据框：

...我想对 Rated 列进行一次热编码，我这样做：

pd.get_dummies(imdb_movies.Rated)

这将返回一个新的dataframe ，其中包含针对存在的每个“级别”评级的列，以及 1 或 0 指定给定观察的评级是否存在。

通常，我们希望它成为原始dataframe的一部分。 在这种情况下，我们使用“列绑定”将新的虚拟编码帧附加到原始帧上。

我们可以使用 Pandas 的concat函数进行列绑定：

rated_dummies = pd.get_dummies(imdb_movies.Rated)
pd.concat([imdb_movies, rated_dummies], axis=1)

我们现在可以对我们的完整dataframe进行分析。

简单实用功能

我建议让自己成为一个实用函数来快速执行此操作：

def encode_and_bind(original_dataframe, feature_to_encode):
    dummies = pd.get_dummies(original_dataframe[[feature_to_encode]])
    res = pd.concat([original_dataframe, dummies], axis=1)
    return(res)

用法：

encode_and_bind(imdb_movies, 'Rated')

结果：

此外，根据@pmalbu 评论，如果您希望删除原始 feature_to_encode的功能，请使用此版本：

def encode_and_bind(original_dataframe, feature_to_encode):
    dummies = pd.get_dummies(original_dataframe[[feature_to_encode]])
    res = pd.concat([original_dataframe, dummies], axis=1)
    res = res.drop([feature_to_encode], axis=1)
    return(res) 

您可以同时对多个特征进行编码，如下所示：

features_to_encode = ['feature_1', 'feature_2', 'feature_3',
                      'feature_4']
for feature in features_to_encode:
    res = encode_and_bind(train_set, feature)

Answer 3

您可以使用numpy.eye和 a 使用数组元素选择机制来做到这一点：

import numpy as np
nb_classes = 6
data = [[2, 3, 4, 0]]

def indices_to_one_hot(data, nb_classes):
    """Convert an iterable of indices to one-hot encoded labels."""
    targets = np.array(data).reshape(-1)
    return np.eye(nb_classes)[targets]

indices_to_one_hot(nb_classes, data)的返回值现在是

array([[[ 0.,  0.,  1.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  1.,  0.,  0.],
        [ 0.,  0.,  0.,  0.,  1.,  0.],
        [ 1.,  0.,  0.,  0.,  0.,  0.]]])

.reshape(-1)用于确保您具有正确的标签格式（您可能还具有[[2], [3], [4], [0]] ）。

Answer 4

首先，最简单的热编码方法：使用 Sklearn。

http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html

其次，我不认为使用 pandas 进行一个热编码是那么简单（虽然未经证实）

在 pandas for python 中创建虚拟变量

最后，你有必要进行一次热编码吗？ 一种热编码会以指数方式增加特征的数量，从而大大增加任何分类器或您将要运行的任何其他东西的运行时间。 尤其是当每个分类特征都有很多层次时。 相反，您可以进行虚拟编码。

使用虚拟编码通常效果很好，运行时间和复杂性要少得多。 一位睿智的教授曾经告诉我，“少即是多”。

如果需要，这是我的自定义编码功能的代码。

from sklearn.preprocessing import LabelEncoder

#Auto encodes any dataframe column of type category or object.
def dummyEncode(df):
        columnsToEncode = list(df.select_dtypes(include=['category','object']))
        le = LabelEncoder()
        for feature in columnsToEncode:
            try:
                df[feature] = le.fit_transform(df[feature])
            except:
                print('Error encoding '+feature)
        return df

编辑：比较更清楚：

One-hot 编码：将 n 级转换为 n-1 列。

Index  Animal         Index  cat  mouse
  1     dog             1     0     0
  2     cat       -->   2     1     0
  3    mouse            3     0     1

如果您的分类特征中有许多不同的类型（或级别），您可以看到这将如何激发您的记忆力。 请记住，这只是一列。

虚拟编码：

Index  Animal         Index  Animal
  1     dog             1      0   
  2     cat       -->   2      1 
  3    mouse            3      2

改为转换为数字表示。 极大地节省了特征空间，但牺牲了一点准确性。

Answer 5

使用 pandas 的一种热编码非常简单：

def one_hot(df, cols):
    """
    @param df pandas DataFrame
    @param cols a list of columns to encode 
    @return a DataFrame with one-hot encoding
    """
    for each in cols:
        dummies = pd.get_dummies(df[each], prefix=each, drop_first=False)
        df = pd.concat([df, dummies], axis=1)
    return df

编辑：

使用 sklearn 的LabelBinarizer的 one_hot 的另一种方法：

from sklearn.preprocessing import LabelBinarizer 
label_binarizer = LabelBinarizer()
label_binarizer.fit(all_your_labels_list) # need to be global or remembered to use it later

def one_hot_encode(x):
    """
    One hot encode a list of sample labels. Return a one-hot encoded vector for each label.
    : x: List of sample Labels
    : return: Numpy array of one-hot encoded labels
    """
    return label_binarizer.transform(x)

Answer 6

您可以使用 numpy.eye 功能。

import numpy as np

def one_hot_encode(x, n_classes):
    """
    One hot encode a list of sample labels. Return a one-hot encoded vector for each label.
    : x: List of sample Labels
    : return: Numpy array of one-hot encoded labels
     """
    return np.eye(n_classes)[x]

def main():
    list = [0,1,2,3,4,3,2,1,0]
    n_classes = 5
    one_hot_list = one_hot_encode(list, n_classes)
    print(one_hot_list)

if __name__ == "__main__":
    main()

结果

D:\Desktop>python test.py
[[ 1.  0.  0.  0.  0.]
 [ 0.  1.  0.  0.  0.]
 [ 0.  0.  1.  0.  0.]
 [ 0.  0.  0.  1.  0.]
 [ 0.  0.  0.  0.  1.]
 [ 0.  0.  0.  1.  0.]
 [ 0.  0.  1.  0.  0.]
 [ 0.  1.  0.  0.  0.]
 [ 1.  0.  0.  0.  0.]]

Answer 7

pandas 具有内置函数“get_dummies”来获取该特定列的一个热编码。

一热编码的一行代码：

df=pd.concat([df,pd.get_dummies(df['column name'],prefix='column name')],axis=1).drop(['column name'],axis=1)

Answer 8

这是使用DictVectorizer和 Pandas DataFrame.to_dict('records')方法的解决方案。

>>> import pandas as pd
>>> X = pd.DataFrame({'income': [100000,110000,90000,30000,14000,50000],
                      'country':['US', 'CAN', 'US', 'CAN', 'MEX', 'US'],
                      'race':['White', 'Black', 'Latino', 'White', 'White', 'Black']
                     })

>>> from sklearn.feature_extraction import DictVectorizer
>>> v = DictVectorizer()
>>> qualitative_features = ['country','race']
>>> X_qual = v.fit_transform(X[qualitative_features].to_dict('records'))
>>> v.vocabulary_
{'country=CAN': 0,
 'country=MEX': 1,
 'country=US': 2,
 'race=Black': 3,
 'race=Latino': 4,
 'race=White': 5}

>>> X_qual.toarray()
array([[ 0.,  0.,  1.,  0.,  0.,  1.],
       [ 1.,  0.,  0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  1.,  0.],
       [ 1.,  0.,  0.,  0.,  0.,  1.],
       [ 0.,  1.,  0.,  0.,  0.,  1.],
       [ 0.,  0.,  1.,  1.,  0.,  0.]])

Answer 9

One-hot 编码需要的不仅仅是将值转换为指示变量。 通常，ML 过程需要您多次将此编码应用于验证或测试数据集，并将您构建的模型应用于实时观察数据。 您应该存储用于构建模型的映射（转换）。 一个好的解决方案是使用DictVectorizer或LabelEncoder （后跟get_dummies 。这是您可以使用的函数：

def oneHotEncode2(df, le_dict = {}):
    if not le_dict:
        columnsToEncode = list(df.select_dtypes(include=['category','object']))
        train = True;
    else:
        columnsToEncode = le_dict.keys()   
        train = False;

    for feature in columnsToEncode:
        if train:
            le_dict[feature] = LabelEncoder()
        try:
            if train:
                df[feature] = le_dict[feature].fit_transform(df[feature])
            else:
                df[feature] = le_dict[feature].transform(df[feature])

            df = pd.concat([df, 
                              pd.get_dummies(df[feature]).rename(columns=lambda x: feature + '_' + str(x))], axis=1)
            df = df.drop(feature, axis=1)
        except:
            print('Error encoding '+feature)
            #df[feature]  = df[feature].convert_objects(convert_numeric='force')
            df[feature]  = df[feature].apply(pd.to_numeric, errors='coerce')
    return (df, le_dict)

这适用于 pandas 数据框，并且对于它创建的数据框的每一列并返回一个映射。 所以你会这样称呼它：

train_data, le_dict = oneHotEncode2(train_data)

然后在测试数据上，通过传递从训练返回的字典进行调用：

test_data, _ = oneHotEncode2(test_data, le_dict)

一种等效的方法是使用DictVectorizer 。 我的博客上有一篇相关的文章。 我在这里提到它，因为它提供了这种方法背后的一些推理，而不是简单地使用 get_dummies 帖子（披露：这是我自己的博客）。

Answer 10

您可以将数据传递给 catboost 分类器而无需​​编码。 Catboost 通过执行 one-hot 和目标扩展均值编码来处理分类变量本身。

Answer 11

您也可以执行以下操作。 请注意以下内容，您不必使用pd.concat 。

import pandas as pd 
# intialise data of lists. 
data = {'Color':['Red', 'Yellow', 'Red', 'Yellow'], 'Length':[20.1, 21.1, 19.1, 18.1],
       'Group':[1,2,1,2]} 

# Create DataFrame 
df = pd.DataFrame(data) 

for _c in df.select_dtypes(include=['object']).columns:
    print(_c)
    df[_c]  = pd.Categorical(df[_c])
df_transformed = pd.get_dummies(df)
df_transformed

您还可以将显式列更改为分类列。 例如，我在这里更改Color和Group

import pandas as pd 
# intialise data of lists. 
data = {'Color':['Red', 'Yellow', 'Red', 'Yellow'], 'Length':[20.1, 21.1, 19.1, 18.1],
       'Group':[1,2,1,2]} 

# Create DataFrame 
df = pd.DataFrame(data) 
columns_to_change = list(df.select_dtypes(include=['object']).columns)
columns_to_change.append('Group')
for _c in columns_to_change:
    print(_c)
    df[_c]  = pd.Categorical(df[_c])
df_transformed = pd.get_dummies(df)
df_transformed

Answer 12

我知道我参加这个聚会迟到了，但是以自动方式对数据帧进行热编码的最简单方法是使用此功能：

def hot_encode(df):
    obj_df = df.select_dtypes(include=['object'])
    return pd.get_dummies(df, columns=obj_df.columns).values

Answer 13

我在我的声学模型中使用了这个：可能这对你的模型有帮助。

def one_hot_encoding(x, n_out):
    x = x.astype(int)  
    shape = x.shape
    x = x.flatten()
    N = len(x)
    x_categ = np.zeros((N,n_out))
    x_categ[np.arange(N), x] = 1
    return x_categ.reshape((shape)+(n_out,))

Answer 14

这对我有用：

pandas.factorize( ['B', 'C', 'D', 'B'] )[0]

输出：

[0, 1, 2, 0]

Answer 15

简答

这是一个在不使用 numpy、pandas 或其他包的情况下进行 one-hot-encoding 的函数。 它需要一个整数、布尔值或字符串（可能还有其他类型）的列表。

import typing


def one_hot_encode(items: list) -> typing.List[list]:
    results = []
    # find the unique items (we want to unique items b/c duplicate items will have the same encoding)
    unique_items = list(set(items))
    # sort the unique items
    sorted_items = sorted(unique_items)
    # find how long the list of each item should be
    max_index = len(unique_items)

    for item in items:
        # create a list of zeros the appropriate length
        one_hot_encoded_result = [0 for i in range(0, max_index)]
        # find the index of the item
        one_hot_index = sorted_items.index(item)
        # change the zero at the index from the previous line to a one
        one_hot_encoded_result[one_hot_index] = 1
        # add the result
        results.append(one_hot_encoded_result)

    return results

例子：

one_hot_encode([2, 1, 1, 2, 5, 3])

# [[0, 1, 0, 0],
#  [1, 0, 0, 0],
#  [1, 0, 0, 0],
#  [0, 1, 0, 0],
#  [0, 0, 0, 1],
#  [0, 0, 1, 0]]

one_hot_encode([True, False, True])

# [[0, 1], [1, 0], [0, 1]]

one_hot_encode(['a', 'b', 'c', 'a', 'e'])

# [[1, 0, 0, 0], [0, 1, 0, 0], [0, 0, 1, 0], [1, 0, 0, 0], [0, 0, 0, 1]]

长（呃）答案

我知道这个问题已经有很多答案了，但我注意到了两件事。 首先，大多数答案都使用像 numpy 和/或 pandas 这样的包。 这是一件好事。 如果您正在编写生产代码，您可能应该使用像 numpy/pandas 包中提供的健壮、快速的算法。 但是，为了教育起见，我认为有人应该提供一个具有透明算法的答案，而不仅仅是别人算法的实现。 其次，我注意到许多答案没有提供单热编码的稳健实现，因为它们不满足以下要求之一。 以下是有用、准确和健壮的 one-hot 编码功能的一些要求（如我所见）：

one-hot 编码函数必须：

• 处理各种类型的列表（例如整数、字符串、浮点数等）作为输入
• 处理具有重复项的输入列表
• 返回对应于输入的列表列表（以相同的顺序）
• 返回列表列表，其中每个列表尽可能短

我测试了这个问题的许多答案，其中大多数都未能满足上述要求之一。

Answer 16

尝试这个：

!pip install category_encoders
import category_encoders as ce

categorical_columns = [...the list of names of the columns you want to one-hot-encode ...]
encoder = ce.OneHotEncoder(cols=categorical_columns, use_cat_names=True)
df_train_encoded = encoder.fit_transform(df_train_small)

df_encoded.head()

生成的数据帧df_train_encoded与原始数据帧相同，但分类特征现在已替换为其单热编码版本。

有关category_encoders的更多信息，请点击此处。

Answer 17

为了补充其他问题，让我提供一下我是如何使用 Numpy 使用 Python 2.0 函数完成的：

def one_hot(y_):
    # Function to encode output labels from number indexes 
    # e.g.: [[5], [0], [3]] --> [[0, 0, 0, 0, 0, 1], [1, 0, 0, 0, 0, 0], [0, 0, 0, 1, 0, 0]]

    y_ = y_.reshape(len(y_))
    n_values = np.max(y_) + 1
    return np.eye(n_values)[np.array(y_, dtype=np.int32)]  # Returns FLOATS

n_values = np.max(y_) + 1行可以硬编码，以供您使用大量神经元，以防您使用小批量。

使用此功能的演示项目/教程： https ://github.com/guillaume-chevalier/LSTM-Human-Activity-Recognition

Answer 18

它可以而且应该很简单：

class OneHotEncoder:
    def __init__(self,optionKeys):
        length=len(optionKeys)
        self.__dict__={optionKeys[j]:[0 if i!=j else 1 for i in range(length)] for j in range(length)}

用法 ：

ohe=OneHotEncoder(["A","B","C","D"])
print(ohe.A)
print(ohe.D)

Answer 19

扩展@Martin Thoma 的答案

def one_hot_encode(y):
    """Convert an iterable of indices to one-hot encoded labels."""
    y = y.flatten() # Sometimes not flattened vector is passed e.g (118,1) in these cases
    # the function ends up creating a tensor e.g. (118, 2, 1). flatten removes this issue
    nb_classes = len(np.unique(y)) # get the number of unique classes
    standardised_labels = dict(zip(np.unique(y), np.arange(nb_classes))) # get the class labels as a dictionary
    # which then is standardised. E.g imagine class labels are (4,7,9) if a vector of y containing 4,7 and 9 is
    # directly passed then np.eye(nb_classes)[4] or 7,9 throws an out of index error.
    # standardised labels fixes this issue by returning a dictionary;
    # standardised_labels = {4:0, 7:1, 9:2}. The values of the dictionary are mapped to keys in y array.
    # standardised_labels also removes the error that is raised if the labels are floats. E.g. 1.0; element
    # cannot be called by an integer index e.g y[1.0] - throws an index error.
    targets = np.vectorize(standardised_labels.get)(y) # map the dictionary values to array.
    return np.eye(nb_classes)[targets]

Answer 20

让我们假设在 10 个变量中，您的数据框中有 3 个分类变量，分别命名为 cname1、cname2 和 cname3。 然后以下代码将自动在新数据帧中创建一个热编码变量。

import category_encoders as ce
encoder_var=ce.OneHotEncoder(cols=['cname1','cname2','cname3'],handle_unknown='return_nan',return_df=True,use_cat_names=True)
new_df = encoder_var.fit_transform(old_df)

Answer 21

在 numpy 中使用矢量化的简单示例并在 pandas 中应用示例：

import numpy as np

a = np.array(['male','female','female','male'])

#define function
onehot_function = lambda x: 1.0 if (x=='male') else 0.0

onehot_a = np.vectorize(onehot_function)(a)

print(onehot_a)
# [1., 0., 0., 1.]

# -----------------------------------------

import pandas as pd

s = pd.Series(['male','female','female','male'])
onehot_s = s.apply(onehot_function)

print(onehot_s)
# 0    1.0
# 1    0.0
# 2    0.0
# 3    1.0
# dtype: float64

Answer 22

在这里，我尝试了这种方法：

import numpy as np
#converting to one_hot





def one_hot_encoder(value, datal):

    datal[value] = 1

    return datal


def _one_hot_values(labels_data):
    encoded = [0] * len(labels_data)

    for j, i in enumerate(labels_data):
        max_value = [0] * (np.max(labels_data) + 1)

        encoded[j] = one_hot_encoder(i, max_value)

    return np.array(encoded)