标签编码、独热编码大不一样 - Python 实现

对于新手在作资料的特征工程时，会看到 Label Encoding 或 One Hot Encoding 两种对于类别行资料的编码方式，那他们之间究竟有什么不一样呢？

直接讲结论：

• 原始资料是有序离散值的话 => Label Encoding
• 原始资料是无序离散值的话 => One Hot Encoding (Dummies)

如下分为两点说明：

为何要将离散转数值？

由于大部分的模型都是基于数学运算，因此字串资料是没法运算的

为何要将无序转 One-Hot？

所谓数学运算通常泛指用距离表明类似（几何观点），意思是会用转换后的两个值的差距做为其类似程度。

若是将性别栏位的男/女转换成 0, 1 ，二元的没问题 若是讲水果这个无序栏位中的频果、香蕉、西瓜，Label 成0, 1, 2 会隐含着「香蕉跟苹果」比「西瓜跟苹果」还要类似的意义，但这样是错误的。 若是是年龄这个有序栏位的老年、中年、少年，Label 成 0, 1, 2 就很恰当，到若是硬转成 One-Hot 反而将这个差距关系给拿掉。

在 Python 中实现

很巧的是，在 Python Pandas 跟 SciKit-Learn 两个套件中都有提供编码的操做。如下分别示范用法的不一样：

① LabelEncoding

df = pd.DataFrame({'size':['XXL', 'XL', 'L', 'M', 'S']})

# Using Pandas
import pandas as pd 
cat = pd.Categorical(df['size'], categories=df['size'].unique(), ordered=True))
df['size_code'] = cat.codes

# Using sklearn
from sklearn import preprocessing 
le = preprocessing.LabelEncoder()
le.fit(df['tw'])
le.transform(df['size'])

复制代码

② One Hot Encoding (Dummies)

# Using Pandas
df = pd.DataFrame({'A': ['a', 'b', 'a'], 'B': ['b', 'a', 'c'])
pd.get_dummies(df)

# Using sklearn
enc = preprocessing.OneHotEncoder()
enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])  
enc.transform([[0, 1, 3]]).toarray()

复制代码

要注意的是，他们都是一样的动做，仅是不一样的套件而已。

---

License

本著做由Chang Wei-Yaun (v123582)制做， 以创用CC 姓名标示-相同方式分享 3.0 Unported受权条款释出。