41、特征预处理：从独热编码到TF Transform

特征预处理：从独热编码到TF Transform

1. 独热编码与Keras的文本向量化层

在处理分类特征时，我们可以使用独热编码将类别转换为向量。首先，我们获取类别对应的索引，然后使用 tf.one_hot() 函数进行独热编码。需要注意的是，要告诉这个函数索引的总数，它等于词汇表大小加上OOV（Out-of-Vocabulary）桶的数量。以下是一个简单的流程说明：
1. 获取类别索引。
2. 使用 tf.one_hot() 进行独热编码，指定索引总数。

我们也可以将这些逻辑封装到一个类中。 adapt() 方法可以从数据样本中提取所有不同的类别，并创建一个查找表，将每个类别映射到其索引（包括使用OOV桶处理未知类别）。 call() 方法则使用这个查找表将输入的类别映射到它们的索引。

Keras可能会包含一个名为 keras.layers.TextVectorization 的层，它的 adapt() 方法可以从数据样本中提取词汇表， call() 方法可以将每个类别转换为其在词汇表中的索引。如果需要将这些索引转换为独热向量，可以在模型开头添加这个层，然后跟随一个 Lambda 层来应用 tf.one_hot() 函数。

但是，独热编码并非总是最佳选择。当可能的类别较少时，独热编码是可行的；但当词汇表很大时，使用嵌入（Embeddings）进行编码会更高效。一般来说：