独热编码（One-Hot Encoding）

一、独热编码出现之前：针对无序离散的分类特征，机器学习算法的分类器并不能直接进行数据处理。因为，分类器通常处理的数据是连续且有序的。

但是我们可以对这些离散的特征数据建立映射表来让其有序并且连续起来。例如：针对一个人对象，我们可以假设其属性进行了如下映射。

性别特征：
["男"，"女"] => 0，1   =>二维
居住地特征：
["北京"，"上海，"深圳"] => 0，1，2  =>三维
职业特征：
["演员"，"老师"，"公务员"，"工程师"，"消防员"] => 0，1，2，3，4  => 五维

此时，针对样本A(女，北京，老师)=>(1，0，2)先进行特征映射，然后采用独热编码使其转化成有序且连续。

二、如何处理数据：

1. 什么是独热编码？

独热编码（One-Hot Encoding），又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。即，只有一位是1，其余都是零值。独热编码 是利用0和1表示一些参数，使用N位状态寄存器来对N个状态进行编码。

例如，对六个状态进行编码：
自然顺序码为 000,001,010,011,100,101
独热编码则是 000001,000010,000100,001000,010000,100000

回到一开始的例子，性别特征：["男","女"]，按照N位状态寄存器来对N个状态进行编码的原理：

性别特征：["男"，"女"]（这里N=2 二维数据）
男 => 10
女 => 01

地区特征：["北京"，"上海，"深圳"]（这里N=3，三维数据）：
北京 => 100
上海 => 010
深圳 => 001

工作特征：["演员"，"厨师"，"公务员"，"工程师"，"律师"]（这里N=5，五维数据）：
演员 => 10000
老师 => 01000
公务员 => 00100
工程师 => 00010
消防员 => 00001

所以，样本A的特征是["女","北京","工程师"]的时候，独热编码（One-Hot Encoding）的结果为：

[0，1，1，0，0，0，0，0，1，0]

2. 优点

在回归，分类，聚类等机器学习算法中，特征之间距离的计算或相似度的计算是非常重要的。而常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。
使用独热编码（One-Hot Encoding），将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。将离散型特征使用独热编码（One-Hot Encoding），会让特征之间的距离计算更加合理。

独热编码的优点为：

1.能够处理非连续型数值特征。 
2.在一定程度上也扩充了特征。比如性别本身是一个特征，经过one hot编码以后，就变成了男或女两个特征。

特征类别较多时，数据经过独热编码可能会变得过于稀疏。

参考：独热编码（One-Hot Encoding）介绍及实现_天空下的斌的博客-优快云博客_独热码表

数据处理——One-Hot Encoding_zhiyong_will的博客-优快云博客

三、 sklearn Python 代码实现

from sklearn import preprocessing
  
encoder = preprocessing.OneHotEncoder()
# 4个特征：
 
#第一个特征（即为第一列）为[0,1,2,1],其中三类特征值[0,1,2],因此One-Hot Code可将[0,1,2]表示为:[100,010,001]
#第一个特征有三种值：采用三个编码：[100,010,001]
#同理第二个特征列可将两类特征值[2,3]表示为[10,01]
#第三个特征将4类特征值[1,2,4,5]表示为[1000,0100,0010,0001]
#第四个特征将2类特征值[3,12]表示为[10,01]
 
encoder.fit([
    [0, 2, 1, 12],
    [1, 3, 5, 3],
    [2, 3, 2, 12],
    [1, 2, 4, 3]
])
encoded_vector = encoder.transform([[2, 3, 5, 3]]).toarray()
print("\n Encoded vector =", encoded_vector)
#[[0. 0. 1.    0. 1.      0. 0. 0. 1.     1. 0.]]