实现独热编码的方法

最新推荐文章于 2025-07-05 23:28:23 发布

Charlotte_DL

最新推荐文章于 2025-07-05 23:28:23 发布

阅读量4.1k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：深度学习

本文链接：https://blog.youkuaiyun.com/Charlotte_android/article/details/81009145

深度学习专栏收录该内容

11 篇文章

订阅专栏

本文介绍了三种实现One-Hot编码的方法：使用Scikit-Learn的LabelBinarizer和OneHotEncoder，以及使用NumPy手动实现。这些方法适用于将分类变量转化为机器学习算法所需的数值型数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

方法一、用 Scikit-Learn 实现 One-Hot Encoding

scikit-learn 的 LabelBinarizer 函数（二值化）可以很方便地把你的目标（labels）转化成独热编码向量。请看：

import numpy as np
from sklearn import preprocessing

# Example labels 示例 labels
labels = np.array([1,5,3,2,1,4,2,1,3])

# Create the encoder 创建编码器
lb = preprocessing.LabelBinarizer()

# Here the encoder finds the classes and assigns one-hot vectors 
# 编码器找到类别并分配 one-hot 向量
lb.fit(labels)

# And finally, transform the labels into one-hot encoded vectors
# 最后把目标（lables）转换成独热编码的（one-hot encoded）向量
lb.transform(labels)

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

方法二、使用Sklearn.Preprocessing 的 OneHotEncoder

from sklearn.preprocessing import OneHotEncoder
encoder = OneHotEncoder()
encoder.fit(np.arange(6).reshape(-1, 1))
def one_hot_encode(x):
    return encoder.transform(np.array(x).reshape(-1, 1)).toarray()

labels = [1,5,3,2,1,4,2,1,3]
a= one_hot_encode(labels)
print(a)

[[0. 1. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 1.]
 [0. 0. 0. 1. 0. 0.]
 [0. 0. 1. 0. 0. 0.]
 [0. 1. 0. 0. 0. 0.]
 [0. 0. 0. 0. 1. 0.]
 [0. 0. 1. 0. 0. 0.]
 [0. 1. 0. 0. 0. 0.]
 [0. 0. 0. 1. 0. 0.]]

注意这里存在一个问题：当原标签不是从0开始;

方法三、使用numpy实现one-hot：

import numpy as np

_y = [1,4,3,2,6,5]
_y = np.asarray(_y,dtype=int)
b = np.zeros((_y.size, _y.max()+1))
b[np.arange(_y.size),_y] = 1
print(b)

[[0. 1. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 1. 0. 0.]
 [0. 0. 0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0. 1.]
 [0. 0. 0. 0. 0. 1. 0.]]