使用numpy生成one-hot编码

最新推荐文章于 2025-05-15 00:43:09 发布

原创最新推荐文章于 2025-05-15 00:43:09 发布 · 2k 阅读

1 ·

CC 4.0 BY-SA版权

python 专栏收录该内容

5 篇文章

订阅专栏

本文介绍了一种使用numpy库的eye函数生成对角矩阵并进行one-hot编码的方法，同时也指出了该方法在面对非连续且差距大的索引值时的不合理之处，并提出可以使用sklearn库的one-hot编码函数来解决这一问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

借助numpy库的eye函数生成对角矩阵。通过索引list获取one-hot编码

import numpy as np
index_list = [1,0,3]
max_index = np.max(index_list) + 1
np.eye(max_index)[index_list) # 得到深度为4的one-hot编码

这里的one-hot编码方式根据索引值进行编码，当索引值非连续且差距很大，比如index_list=[1,0,11111]时，这种上述编码长度为11112，非常不合理。
也可以借助sklearn库的one-hot编码函数进行编码。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

丹丹是个有福蛋儿

关注关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

Python中numpy数组和one-hot编码相互转换

03-28

935

Numpy是Python中最基本的科学计算库，提供了一个n维数组对象，以及处理这些数组的工具。numpy的主要功能之一就是提供高效的数组操作。import numpy as np # 创建一个一维数组 arr = np . array([ 1 , 2 , 3 , 4 , 5 ]) print(arr) # 创建一个二维数组 arr = np . array([ [ 1 , 2 , 3 ] , [ 4 , 5 , 6 ] , [ 7 , 8 , 9 ] ]) print(arr)

one-hot编码

cangqiongxiaoye的博客

11-02

270

one-hot编码

参与评论您还未登录，请先登录后发表或查看评论

numpy快速生成one hot编码

修炼之路

01-19

4万+

前言在构建分类算法的时候，标签通常都要求是one_hot编码，实际上标签可能都是整数，所以我们都需要将整数转成one_hot编码，本篇文章主要介绍如何利用numpy快速将整数转成one_hot编码。代码示例在使用numpy生成one hot编码的时候，需要使用numpy中的一个eye函数，先简单介绍一下这个函数的功能。函数：np.eye(N, M=None, k=0, dtype=floa...

Numpy 实现 One-hot

10-09

180

x=(np.arange(np.max(x)+1)==x[:,None]).astype(np.integer) 参考文献： https://blog.youkuaiyun.com/fu_shuwu/article/details/78964462

【NumPy】一文实现从numpy数组快速生成one-hot编码

创作高质量博文，分享知识，共同进步！

04-10

1426

🚀【NumPy实战】一文速通One-Hot编码，轻松应对分类数据挑战！🔥 你还在为处理分类数据而头疼吗？本文带你深入了解One-Hot编码，并教你如何使用NumPy库快速生成！从概念解析到实战应用，让你轻松掌握这项必备技能！💡 我们还将分享优化技巧与注意事项，让你在实际应用中更加得心应手。读完本文，你将彻底告别分类数据处理难题，成为机器学习领域的佼佼者！#NumPy #One-Hot编码 #分类数据处理 #机器学习 #实战教程

使用numpy.eye创建one-hot编码

文盲青年的博客

08-06

429

np.eye 是 NumPy 中的一个函数，用于创建一个二维数组，其中对角线上为1，其余元素为0。1、np.eye(6) 创建了一个 6x6 的单位矩阵（对角矩阵），其中对角线上的元素为 1，其余元素为 0。故独热编码函数：C为类别数，Y为原始二维矩阵如：[ [0 0 0 5 1 0 3 1 5 1 5 1 ] ]k：对角线的索引（可选，默认为0，即主对角线，k>0 为上对角线，k<0 为下对角线）。dtype：数组的数据类型（可选，默认为 float）。M：生成的矩阵的列数（可选，默认为 N）。

one-hot 编码、multi-hot 编码和 Embedding

最新发布

Rhett_Butler0922的博客

05-15

1054

Multi-hot 编码是 one-hot 编码的扩展，用于表示一个样本属于多个类别的场景。向量长度仍为类别总数NNN，但可以有多个位置为 1，表示样本同时属于多个类别。数学表示对于一个样本属于类别集合Si1i2ikSi1i2ikvv0v1vN−1vj1ifj∈Selse0vv0v1vN−1vj1ifj∈Selse0例子Embedding（嵌入）

One-Hot编码

Rhett_Butler0922的博客

04-25

674

One-Hot编码是处理分类变量的基础技术，PyTorch通过F.one_hot和torch.eye提供了高效实现。在深度学习中，One-Hot编码常用于标签处理，但对于高维特征，嵌入层（如）是更好的选择。

One-hot编码

a6181816的博客

05-29

799

One-hot编码是一种有效处理类别型数据的方法，广泛应用于各种机器学习和数据处理任务中。通过将类别型数据转换为二进制向量，One-hot编码使得机器学习算法能够处理这些数据。然而，对于高基数特征，需要考虑其他技术（如嵌入向量）来应对维度灾难问题。

Numpy实现one-hot独热编码

liu1073811240的博客

11-23

1948

下面完整代码在github仓库：传送门文章目录一、实现one-hot编码并测试二、在多个维度里填充数据一、实现one-hot编码并测试 import numpy as np import torch def one_hot(w, h, arr): z = np.zeros([w, h]) # 四行七列 # print(z) for i in range(w): # 4 j = int(arr[i]) # 拿到数组里面的数字 # pr

numpy快速one-hot编码

Mortal's blog

12-15

413

#设置类别的数量 num_classes = 10 #需要转换的整数 arr = [1,3,4,5,9] #将整数转为一个10位的one hot编码 print(np.eye(10)[arr])```

numpy array To One-hot

冬后晚晴的博客

08-10

774

import numpy as np num_classes = 5 targets = np.array([[2, 3, 4, 0]]).reshape(-1) one_hot_targets = np.eye(num_classes)[targets] The one_hot_targets is now: array([[[ 0., 0., 1., 0., 0., 0.], ...

利用np.eye(n)(x)进行one-hot化

u011916041的博客

04-13

1199

np.eye(3)生产一个单位矩阵3*3的单位矩阵当np.eye(3)后面跟一个整数i时，此时取得是该矩阵的第i行。 tp1=np.eye(3) tp1=[[1,0,0], [0,1,0], [0,0,1]] tp1[2]取该矩阵的第2行，为 [0，0，1] 当np.eye(3)后面跟一个数列时，此时取得是该矩阵的多个行 tp1[1][2]取的是矩阵索引为1，2的...

Numpy与Pandas、Sklearn中one-hot快速编码方法

肖永威的专栏

12-18

1万+

Numpy与Pandas、Sklearn中one-hot快速编码方法

机器学习：数据预处理之独热编码（One-Hot）详解

热门推荐

赵英超的博客

01-03

10万+

一. 什么是独热编码？ ———————————————————————————————————————— 在机器学习算法中，我们经常会遇到分类特征，例如：人的性别有男女，祖国有中国，美国，法国等。这些特征值并不是连续的，而是离散的，无序的。通常我们需要对其进行特征数字化。那什么是特征数字化呢？例子如下：性别特征：["男"，"女"] 祖国特征：["中国"，"美国，"法国"...

Numpy one_hot

Peanut 大本营

12-24

797

代码如下： n_classes = 10 y = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 0]) y_one_hot = (np.arange(n_classes) == y[:, None]).astype(np.float64) 其中用到的是numpy的广播机制和Boolean数组的转换首先把y变成列矩阵 In [34]...

[one-hot]one-hot实现的几种方式

呼啦圈

03-01

1264

one-hot实现的几种方式方式一：最简单的方式，可以一行代码搞定 import numpy as np import torch 'one-hot使用方法：最简单' num_classes = 10 arr = [1, 3, 4, 5] one_hots = np.eye(num_classes)[arr] print(one_hots) arr1 = torch.LongTensor(arr) print(arr1) one_hots = torch.eye(num_classes)[arr] p

利用numpy 生成one_hot 数组

shuwu

01-03

1万+

其中numpy.arange() 使用用法如下： arange(…) arange([start,] stop[, step,], dtype=None)Return evenly spaced values within a given interval.Values are generated within the half-open interval ``[start, stop)

numpy 如何快速生成one-hot 编码

03-29

<think>好的，用户想了解如何使用NumPy快速生成one-hot编码。首先，我需要回忆一下什么是one-hot编码。它是一种将类别变量转换为二进制向量的方法，常用于机器学习中的分类问题。每个类别对应一个唯一的向量，其中只有一个元素是1，其余都是0。接下来，我应该考虑用户可能的场景。用户可能有一个包含类别标签的数组，比如[0, 1, 2, 0]，需要将其转换为对应的one-hot编码。用户可能希望用NumPy实现，因为NumPy在处理数组时效率高，尤其是大数据集时。然后，我需要思考常用的方法。最常见的方法可能是使用NumPy的eye函数生成单位矩阵，然后根据标签索引选取对应的行。例如，np.eye(num_classes)[labels]。但这里要注意标签的数据类型，必须是整数，且范围在0到num_classes-1之间。如果标签不是从0开始的，可能需要先进行转换。另一个方法是使用zeros数组，然后通过索引置1。比如先创建一个全零数组，然后遍历每个样本，将对应的类别位置设为1。这种方法可能更灵活，尤其是当类别标签不连续或者需要更多控制时。但效率可能稍低，因为需要显式循环，不过对于NumPy来说，向量化操作可能还是很快的。还要考虑可能的错误情况。比如，如果用户提供的标签超出了num_classes的范围，会导致索引错误。这时候需要提醒用户确保标签的有效性。另外，如果num_classes未指定，可能需要根据标签的最大值自动确定，但最好显式指定以避免意外情况。用户可能还想知道哪种方法更快。一般来说，使用np.eye的方法更简洁且向量化，可能在大多数情况下更快，尤其是当类别数目不是特别大的时候。而使用zeros和索引的方法可能在处理非连续标签或需要动态调整时更灵活。另外，可能需要提到如何处理多维数组的情况。比如，如果标签是二维的，生成one-hot编码后会是三维的，这时候需要确认是否符合用户的需求。或者是否需要调整轴的顺序。最后，可能需要提供一个完整的例子，展示两种方法的代码，并比较它们的优缺点，帮助用户根据具体情况选择合适的方法。同时提醒注意数据类型和可能的错误情况，确保代码的健壮性。</think>在 NumPy 中快速生成 one-hot 编码的步骤如下： ### 方法1：使用 `np.eye` 函数这是最高效的方式，利用了单位矩阵的特性。 ```python import numpy as np # 原始标签数组 labels = np.array([2, 1, 0, 3]) # 假设有4个类别（0,1,2,3） # 定义类别总数（必须大于等于最大标签值+1） num_classes = 4 # 生成 one-hot 编码 one_hot = np.eye(num_classes)[labels] # 核心操作 ``` 结果： $$[[0. 0. 1. 0.] [0. 1. 0. 0.] [1. 0. 0. 0.] [0. 0. 0. 1.]]$$ ### 方法2：使用 `zeros` + 索引赋值适合需要自定义数据类型或特殊处理的情况 ```python # 初始化全零矩阵 one_hot = np.zeros((len(labels), num_classes)) # 使用索引赋值 one_hot[np.arange(len(labels)), labels] = 1 ``` ### 关键细节说明 1. **数据类型控制**：可通过 `dtype` 参数指定数据类型 ```python np.eye(num_classes, dtype=np.int8)[labels] ``` 2. **标签有效性验证**： ```python assert np.max(labels) < num_classes, "存在非法标签值" ``` 3. **高维标签处理**：若原始标签是二维数组 ```python labels_2d = np.array([[1], [3], [0]]) one_hot_3d = np.eye(num_classes)[labels_2d] ``` ### 性能对比 - `np.eye` 方法：时间复杂度 $O(nk)$，向量化操作最快 - 循环赋值方法：时间复杂度 $O(nk)$，但需要显式循环时会变慢建议优先使用 `np.eye` 方法，它通过内存预分配和向量化操作实现了最高效率。当需要处理不规则标签或特殊需求时，可选用第二种方法。