前言

在機器學習演算法中，我們經常會遇到分類特徵，例如：人的性別有男女，祖國有中國，美國，法國等。
這些特徵值並不是連續的，而是離散的，無序的。通常我們需要對其進行特徵數字化。

那什麼是特徵數字化呢？例子如下：

• 性別特徵：["男"，"女"]

• 祖國特徵：["中國"，"美國，"法國"]

• 運動特徵：["足球"，"籃球"，"羽毛球"，"乒乓球"]

假如某個樣本（某個人），他的特徵是這樣的["男","中國","乒乓球"]，我們可以用 [0,0,4] 來表示，但是這樣的特徵處理並不能直接放入機器學習演算法中。因為類別之間是無序的（運動資料就是任意排序的）。

什麼是獨熱編碼（One-Hot）？

One-Hot編碼，又稱為一位有效編碼，主要是採用N位狀態暫存器來對N個狀態進行編碼，每個狀態都由他獨立的暫存器位，並且在任意時候只有一位有效。

One-Hot編碼是分類變數作為二進位制向量的表示。這首先要求將分類值對映到整數值。然後，每個整數值被表示為二進位制向量，除了整數的索引之外，它都是零值，它被標記為1。

One-Hot實際案例

就拿上面的例子來說吧，性別特徵：["男","女"]，按照N位狀態暫存器來對N個狀態進行編碼的原理，咱們處理後應該是這樣的（這裡只有兩個特徵，所以N=2）：

男 => 10

女 => 01

祖國特徵：["中國"，"美國，"法國"]（這裡N=3）：

中國 => 100

美國 => 010

法國 => 001

運動特徵：["足球"，"籃球"，"羽毛球"，"乒乓球"]（這裡N=4）：

足球 => 1000

籃球 => 0100

羽毛球 => 0010

乒乓球 => 0001

所以，當一個樣本為["男","中國","乒乓球"]的時候，完整的特徵數字化的結果為：

[1，0，1，0，0，0，0，0，1]

下圖可能會更好理解：

One-Hot在python中的使用

from sklearn import preprocessing  
   
enc = preprocessing.OneHotEncoder()  
enc.fit([[0,0,3],[1,1,0],[0,2,1],[1,0,2]])  #
 
這裡一共有4個數據，3種特徵
   
array = enc.transform([[0,1,3]]).toarray()  #這裡使用一個新的資料來測試
   
print array   # [[ 1  0  0  1  0  0  0  0  1]]

結果為 1 0 0 1 0 0 0 0 1