One-Hot编码

一、什么是One-Hot编码？

One-Hot编码是一种将分类变量转换为二进制向量的方法，适用于机器学习和深度学习算法。每个类别被表示为一个向量，向量长度等于类别总数，其中对应类别的位置为1，其余为0。

举例：
分类变量“颜色” {红色, 绿色, 蓝色}：

• 红色 → [1, 0, 0]
• 绿色 → [0, 1, 0]
• 蓝色 → [0, 0, 1]

---

二、为什么需要One-Hot编码？

One-Hot编码解决了以下问题：

1. 避免误导性顺序：整数编码（如红色=0，绿色=1）可能让模型误认为类别有大小关系。
2. 处理字符串：将字符串类别转换为数值形式。
3. 模型兼容性：为算法提供数值输入。

---

三、One-Hot编码的实现

以下是One-Hot编码的多种实现方式，包括手动实现、pandas、scikit-learn，以及使用PyTorch（替换原来的TensorFlow部分）。

1. 手动实现（Python）

import numpy as np

# 原始数据
colors = ['红色', '绿色', '蓝色', '红色']

# 获取唯一类别
unique_colors = sorted(set(colors))  # ['蓝色', '红色', '绿色']
num_classes = len(unique_colors)    # 3

# 创建One-Hot编码
one_hot_encoded = np.zeros((len(colors), num_classes))
for i, color in enumerate(colors):
    index = unique_colors.index(color)
    one_hot_encoded[i, index] = 1

print(one_hot_encoded)

输出：

[[1. 0. 0.]  # 红色
 [0. 1. 0.]  # 绿色
 [0. 0. 1.]  # 蓝色
 [1. 0. 0.]] # 红色

2. 使用pandas

import pandas as pd

# 原始数据
data = pd.DataFrame(