特征向量化之one-hot(獨熱編碼)

one-hot編碼，又稱獨熱編碼、一位有效編碼。其方法是使用N位狀态寄存器來對N個狀态進行編碼，每個狀态都有它獨立的寄存器位。例如：

import pandas as pd
import numpy as np

data=pd.DataFrame({'feature_1':[1,2,3,4,5],
                   'feature_2':['a','b','a','b','a']})
data
           

feature_1	feature_2
1	a
1	2	b
2	3	a
3	4	b
4	5	a

上述資料中有兩個特征，其中特征二有兩個類别:a和b，在進行特征進行中，如果我們将a和b量化，但是a和b又是兩個不相關的類别，那麼分類器就會預設a和b之間是有順序的。這樣影響。如果我們将feature_2中的a,b對應兩種狀态，1 代表處于這種狀态，0代表不處于這種狀态。那麼第一個樣本中的特征二可以表示為{1 0},第二樣本的特征二就表示為{0,1}。于是特征二被向量化，映射到歐式空間中的一個點。相當于增加了特征，對于根據距離來進行分類的分類器，會提高分類器的魯棒性。但是像決策樹、随機森林這樣的算法來就意義不大，相當于增加了樹的深度。

我們可以利用pandas中的get_dummies()函數來進行one-hot編碼

tmpdf=pd.get_dummies(data['feature_2'],prefix='feature_2')
tmpdf
           

feature_2_a	feature_2_b
1
1	1
2	1
3	1
4	1

# 添加進資料集
data=data.join(tmpdf)
data
           

feature_1	feature_2	feature_2_a	feature_2_b
1	a	1
1	2	b	1
2	3	a	1
3	4	b	1
4	5	a	1