sklearn:OneHotEncoder的简单用法

将离散型特征使用one-hot编码，会让特征之间的距离计算更加合理。离散特征进行one-hot编码后，编码后的特征，其实每一维度的特征都可以看做是连续的特征。就可以跟对连续型特征的归一化方法一样，对每一维特征进行归一化。

from sklearn.preprocessing import OneHotEncode

enc = OneHotEncoder()

在新版本中，初始化参数有5个，分别是categories、drop、sparse、dtype、handle_unknown。本人目前是初学者，读了官方文档后，认为前四个参数不用理会，默认即可，而handle_unknown是一个比较有用的参数，默认是"error"，但我认为指定为"ignore”更好，这个参数的目的是数据在转化为one-hot编码时，如果遇到一个属性值没有事先指定，程序应该怎么办？如果是error的话，程序就报错停止了，其实不方便处理数据，反而是ignore更好，程序可以继续执行，下面举个例子说明。

enc.fit([["男", 0, 3], ["男", 1, 0], ["女", 2, 1], ["女", 0, 2]])

首先训练一下数据集，提取每一列的属性种类，得到结果如下

print(enc.categories_)
[array(['女', '男'], dtype=object), array([0, 1, 2], dtype=object), array([0, 1, 2, 3], dtype=object)]

意思是第一个特征有两个取值，分别为男和女，以此类推
如果handle_unknown默认的话，执行下面的语句就会报错：

print((enc.transform([["男", 0, 3], ["中性", 1, 0], ["女", 2, 1], ["女", 0, 2]]).toarray()))

因为“中性”没有训练过，所以碰到这个不知道怎么办了，就报错停止了
但是如果指定handle_unknown为ignore，就不会出报错，某种程度上，这样更好

enc = OneHotEncoder(handle_unknown='ignore')

这样我们就可以看到最后的one-hot编码：

[[0. 1. 1. 0. 0. 0. 0. 0. 1.]
 [0. 0. 0. 1. 0. 1. 0. 0. 0.]
 [1. 0. 0. 0. 1. 0. 1. 0. 0.]
 [1. 0. 1. 0. 0. 0. 0. 1. 0.]]

可以注意到第二行，中性因为没有事先指定，所以显示0，0，而没有报错
如何查看独热编码每一列代表的意义呢？可以使用get_feature_names()方法

print(enc.get_feature_names())

最后可以看到特征名如下所示，对应上面的矩阵：

['x0_女' 'x0_男' 'x1_0' 'x1_1' 'x1_2' 'x2_0' 'x2_1' 'x2_2' 'x2_3']