预处理之特征编码方法总结

特征编码方法总结"/>

预处理之特征编码方法总结

（1）one-hot编码：
独热编码即 One-Hot 编码，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。
已知三个feature，三个feature分别取值如下：
feature1=[“male”, “female”]
feature2=[“from Europe”, “from US”, “from Asia”]
feature3=[“uses Firefox”, “uses Chrome”, “uses Safari”, “uses Internet Explorer”]
one-hot编码后：
feature1=[01,10]
feature2=[001,010,100]
feature3=[0001,0010,0100,1000]
所以，对于前边样本[“male”,“from Asia”, “uses Chrome”]，经过独热编码后，它应该为：
[01,00, 000,000,100, 0000,0010,0000,0000]

（2）sklearn中的DictVectorizer

from sklearn.feature_extraction import DictVectorizer  
measurements = [  {'city': 'Dubai', 'temperature': 33.},  {'city': 'London', 'temperature': 12.},  {'city': 'San Fransisco', 'temperature': 18.},  ]  vec = DictVectorizer()   
print(vec.fit_transform(measurements).toarray())
""" 
输出: 
array([[  1.,   0.,   0.,  33.], [  0.,   1.,   0.,  12.], [  0.,   0.,   1.,  18.]]) 
"""  
print(vec.get_feature_names())
""" 
输出： 
['city=Dubai', 'city=London', 'city=San Fransisco', 'temperature'] 
"""  

（3）Python机器学习库SKLearn：数据集转换之特征提取
（4）大规模特征编码问题和工程实践
（5）特征抽取：特征字典向量化和特征哈希变换