python 数据处理中的 LabelEncoder 和 OneHotEncoder

        One-Hot 编码即独热编码，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，每一个状态都由他独立的寄存器位，而且在任意时候，其中只有一位有效。这样作的好处主要有：1. 解决了分类器很差处理属性数据的问题； 2. 在必定程度上也起到了扩充特征的做用。

       将离散型特征进行one-hot编码的做用，是为了让距离计算更合理，但若是特征是离散的，而且不用one-hot编码就能够很合理的计算出距离，那么就不必进行one-hot编码。离散特征进行one-hot编码，编码后的特征，其实每一维度的特征均可以看作是连续的特征。就能够跟对连续型特征的归一化方法同样，对每一维特征进行归一化。好比归一化到[-1,1]或归一化到均值为0,方差为1。

        基于树的方法是不须要进行特征的归一化，例如随机森林，bagging 和 boosting等。基于参数的模型或基于距离的模型，都是要进行特征的归一化。Tree Model不太须要one-hot编码： 对于决策树来讲，one-hot的本质是增长树的深度。

        one hot encoding的优势就是它的值只有0和1，不一样的类型存储在垂直的空间。缺点就是，当类别的数量不少时，特征空间会变得很是大。在这种状况下，通常能够用PCA来减小维度。并且one hot encoding+PCA这种组合在实际中也很是有用。总的来讲，要是one hot encoding的类别数目不太多，建议优先考虑。

• one hot 编码及数据归一化
• 对于非负数类型编码 利用onehotEncode
• 对于字符以及混合类型编码 利用labelEncode

# 简单来讲 LabelEncoder 是对不连续的数字或者文本进行编号
# sklearn.preprocessing.LabelEncoder()：标准化标签，将标签值统一转换成range(标签值个数-1)范围内

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
le.fit([1,5,67,100])
le.transform([1,1,100,67,5])
out： array([0, 0, 3, 2, 1], dtype=int64)

#OneHotEncoder 用于将表示分类的数据扩维：
from sklearn.preprocessing import OneHotEncode
ohe = OneHotEncoder()
ohe.fit([[1],[2],[3],[4]])
ohe.transform([[2],[3],[1],[4]]).toarray()
out：array([[ 0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.],
       [ 1.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  1.]])

- 源码：

 Examples
    --------
    Given a dataset with three features and four samples, we let the encoder
    find the maximum value per feature and transform the data to a binary
    one-hot encoding.

    >>> from sklearn.preprocessing import OneHotEncoder
    >>> enc = OneHotEncoder()
    >>> enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], \
[1, 0, 2]])  # doctest: +ELLIPSIS
    OneHotEncoder(categorical_features='all', dtype=<... 'numpy.float64'>,
           handle_unknown='error', n_values='auto', sparse=True)
    >>> enc.n_values_
    array([2, 3, 4])
    >>> enc.feature_indices_
    array([0, 2, 5, 9])
    >>> enc.transform([[0, 1, 1]]).toarray()
    array([[ 1.,  0.,  0.,  1.,  0.,  0.,  1.,  0.,  0.]])

 Examples
    --------
    `LabelEncoder` can be used to normalize labels.

    >>> from sklearn import preprocessing
    >>> le = preprocessing.LabelEncoder()
    >>> le.fit([1, 2, 2, 6])
    LabelEncoder()
    >>> le.classes_
    array([1, 2, 6])
    >>> le.transform([1, 1, 2, 6]) #doctest: +ELLIPSIS
    array([0, 0, 1, 2]...)
    >>> le.inverse_transform([0, 0, 1, 2])
    array([1, 1, 2, 6])

    It can also be used to transform non-numerical labels (as long as they are
    hashable and comparable) to numerical labels.

    >>> le = preprocessing.LabelEncoder()
    >>> le.fit(["paris", "paris", "tokyo", "amsterdam"])
    LabelEncoder()
    >>> list(le.classes_)
    ['amsterdam', 'paris', 'tokyo']
    >>> le.transform(["tokyo", "tokyo", "paris"]) #doctest: +ELLIPSIS
    array([2, 2, 1]...)
    >>> list(le.inverse_transform([2, 2, 1]))
    ['tokyo', 'tokyo', 'paris']

• LabelEncoder和OneHotEncoder 在特征工程中的应用

• 下面引入scikit learn中的OneHotEncoder的介绍。
  http://scikit-learn.org/stable/modules/preprocessing.html#preprocessing

1、One-Hot Encoding

    One-Hot编码，又称为一位有效编码，主要是采用位状态寄存器来对个状态进行编码，每一个状态都由他独立的寄存器位，而且在任意时候只有一位有效。

有以下三个特征属性：

2、One-Hot Encoding的处理方法

3、实际的Python代码

    在实际的机器学习的应用任务中，特征有时候并不老是连续值，有多是一些分类值，如性别可分为“male”和“female”。在机器学习任务中，对于这样的特征，一般咱们须要对其进行特征数字化，以下面的例子：

• 性别：["male"，"female"]
• 地区：["Europe"，"US"，"Asia"]
• 浏览器：["Firefox"，"Chrome"，"Safari"，"Internet Explorer"]

对于某一个样本，如["male"，"US"，"Internet Explorer"]，咱们须要将这个分类值的特征数字化，最直接的方法，咱们能够采用序列化的方式：[0,1,3]。可是这样的特征处理并不能直接放入机器学习算法中。

    对于上述的问题，性别的属性是二维的，同理，地区是三维的，浏览器则是4维的，这样，咱们能够采用One-Hot编码的方式对上述的样本“["male"，"US"，"Internet Explorer"]”编码，“male”则对应着[1，0]，同理“US”对应着[0，1，0]，“Internet Explorer”对应着[0,0,0,1]。则完整的特征数字化的结果为：[1,0,0,1,0,0,0,0,1]。这样致使的一个结果就是数据会变得很是的稀疏。