Python实现独热编码

关于独热编码与哑变量编码的概念，可以参考：https://blog.youkuaiyun.com/qq_41853758/article/details/81252174。

离散特征的编码分为两种情况：

1、离散特征的取值之间没有大小的意义，比如color：[red,blue],此时可以使用one-hot编码；

2、离散特征的取值有大小的意义，比如size:[X,XL,XXL],此时可以使用数值的映射{X:1,XL:2,XXL:3}。

本文主要讨论独热编码的Python实现：

import pandas as pd

df = pd.DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'b'],'data': range(6)})
df

df结构如下所示：

 

利用pd.get_dummies()函数对类别性特征df中的key进行独热编码处理：

dummies = pd.get_dummies(df['key'],prefix='key')
dummies

dummies的结构如下：

 

将经过独热编码处理后的类别特征与其他数值型特征组合起来：

new_df = df[['data']].join(dummies)
new_df

 new_df的结构如下所示：

比较df和new_df我们可以看到，经过独热编码处理后，特征集由原来的两维变成了四维。一般情况下独热编码可以结合PCA一起使用，以降低经独热编码处理后的特征集的复杂性。

 

其他参考：

https://blog.youkuaiyun.com/lujiandong1/article/details/52836051

https://blog.youkuaiyun.com/wl_ss/article/details/78508367

《Python for Data Analysis》2nd