sklearn one_hot 操作
1.编码
one_hot编码不再过多叙述,类似于hash的那种方法去改变数的编码方式。比如label存在与(0,1,2,3),那么一条记录的label为3,那么将编码维[0,0,0,1]
2.包: tf.one_hot(label,n_label) 需要注意的是返回的是一个tensor
from sklearn.preprocessing import OneHotEncoder
这个的用法就比较多了
1 enc = OneHotEncoder() 2 enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1],[1, 0, 2]]) 3 print "enc.n_values_ is:",enc.n_values_ 4 print "enc.feature_indices_ is:",enc.feature_indices_ 5 print enc.transform([[0, 1, 1]]).toarray()
这里,我们把以上一行看作是一条记录,那么每一行的第n列就是其第n个特征。基于这个理解,我们说下面的问题。
1)其中enc.fit与平时所用的sklearn 的作用相同。
2)enc.n_values_->各个特征的种类
其输出:[2 3 4] 可以看到一共4行,3列,也就说4条记录3个特征,那么我们可以看出n_values_是统计各个特征的值
3) feature_indices_
输出为:
[0 2 5 9]也就时说对上面n_values的累加
4) enc.transform(one_array) 这个就不用说了