python 类变量和类方法（Python实现类别变量的独热编码（One-hot Encoding））

时间2025-05-04 22:31:29分类IT科技浏览3543

导读： 本文介绍基于Python下OneHotEncoder与pd.get_dummies两种方法，实现机器学习中最优的编码方法——...

本文介绍基于Python下OneHotEncoder与pd.get_dummies两种方法，实现机器学习中最优的编码方法——独热编码的方法。

在数据处理与分析领域，对数值型与字符型类别变量加以编码是不可或缺的预处理操作；这里介绍两种不同的方法。

1 OneHotEncoder

首先导入必要的模块。

import pandas as pd from sklearn.preprocessing import OneHotEncoder

其中，OneHotEncoder是我们实现独热编码的关键模块。

接下来，导入并显示数据前五行。

test_data_1=pd.read_csv(G:/CropYield/03_DL/00_Data/onehot_test.csv,names=[EVI0610,EVI0626,SoilType],header=0) test_data_1.head(5)

关于这里导入数据代码的解释，大家可以查看多变量两两相互关系联合分布图的Python绘制与Python TensorFlow深度学习回归代码：DNNRegressor这两篇文章，这里就不再赘述啦~

数据前五行展示如下图。其中，前两列EVI0610与EVI0626为数值型连续变量，而SoilType为数值型类别变量。我们要做的，也就是将第三列SoilType进行独热编码。

接下来，进行独热编码的配置。

ohe=OneHotEncoder(handle_unknown=ignore) ohe.fit(test_data_1)

在这里，第一行是对独热编码的配置，第二行则是对我们刚刚导入的数据进行独热编码处理。得到一个独热编码配置的输出结果。

接下来，看看独热编码处理后，将我们的数据分成了哪些类别。

ohe.categories_

得到结果如下图。

可以发现，一共有三个array，为什么呢？仔细看可以发现，独热编码是将我们导入的三列数据全部都当作类别变量来处理了。之所以会这样，是因为我们在一开始没有表明哪一列是类别变量，需要进行独热编码；而哪一列不是类别变量，从而不需要进行独热编码。

那么，我们如何实现上述需求，告诉程序我们要对哪一行进行独热编码呢？在老版本的sklearn中，我们可以借助categorical_features=[x]参数来实现这一功能，但是新版本sklearn取消了这一参数。那么此时，一方面，我们可以借助ColumnTransformer来实现这一过程，另一方面，我们可以直接对需要进行转换的列加以处理。后者相对较为容易理解，因此本文对后者进行讲解。

我们将test_data_1中的SoilType列作为索引，从而仅仅对该列数据加以独热编码。

ohe_column=pd.DataFrame(ohe.fit_transform(test_data_1[[SoilType]]).toarray()) ohe_column.head(5)

其中，[[SoilType]]表示仅仅对这一列进行处理。得到结果如下图。

可以看到，原来的SoilType列现在成为了63列的编码列，那么这样的话，说明我们原先的SoilType应该一共是有63个不同的数值。是不是这个样子呢？我们来检查一下。

count=pd.DataFrame(test_data_1[SoilType].value_counts()) print(count)

得到结果如下。

好的，没有问题：可以看到此结果共有63行，也就是SoilType列原本是有63个不同的值的，证明我们的独热编码没有出错。

此时看一下我们的test_data_1数据目前长什么样子。

test_data_1.head(5)

是的，我们仅仅对SoilType列做了处理，没有影响到整个初始数据。那么先将原本的SoilType列剔除掉。

test_data_1=test_data_1.drop([SoilType],axis=1) test_data_1.head(5)

再将经过独热编码处理后的63列加上。

test_data_1.join(ohe_column)

大功告成！

但是这里还有一个问题，我们经过独热编码所得的列名称是以数字来命名的，非常不方便。因此，有没有什么办法可以在独热编码进行的同时，自动对新生成的列加以重命名呢？

2 pd.get_dummies

pd.get_dummies是一个最好的办法！其具体用法与上述OneHotEncoder类似，因此具体过程就不再赘述啦，大家看代码就可以明白。

首先还是导入与上述内容中一致的初始数据。

test_data_2=pd.read_csv(G:/CropYield/03_DL/00_Data/onehot_test.csv,names=[EVI0610,EVI0626,SoilType],header=0) test_data_2.head(5)

进行独热编码并看看结果。

test_data_2_ohe=pd.get_dummies(test_data_2,columns=[SoilType]) test_data_2_ohe.head(5)

最终结果中，列名称可以说是非常醒目，同时，共有65列数据，自动删除了原本的SoilType列，实现了“独热编码 ”“新列重命名 ”与“原始列删除” ，可谓一举三得，简直是太方便啦~

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。