如何对类别变量进行独热编码

大部分机器学习算法是基于向量空间中度量来进行计算的，使用独热编码(One-hot encoding, 也称为哑变量 dummy variable)会让特征之间的距离计算更加合理。通过独热编码把类别变量转换为机器学习算法可使用的格式，其基本思想是对原始类别变量的每个值创建新的变量，并赋值为 1 和 0

示例说明

下图展示如何进行独热编码，把Team变量转为新的变量：

Team	Points
A	25
A	12
B	15
B	14
B	19
B	23
C	25
C	29

下面把原始变量转为独热编码形式：

Team_A	Team_B	Team_C	Points
1	0	0	25
1	0	0	12
0	1	0	15
0	1	0	14
0	1	0	19
0	1	0	23
0	0	1	25
0	0	1	29

R 语言实现

R 有多种方式很容易实现独热编码。可以使用工具包提供函数实现，也可以手动实现。下面定义演示数据：

# 定义数据框 
df <- data.frame(team=c('A', 'A', 'B', 'B', 'B', 'B', 'C', 'C'), 
                 points=c(25, 12, 15, 14, 19, 23, 25, 29)) 
 
# 查看数据 
df 
 
#   team points 
# 1    A     25 
# 2    A     12 
# 3    B     15 
# 4    B     14 
# 5    B     19 
# 6    B     23 
# 7    C     25 
# 8    C     29 

我们先看caret包中提供了dummyVars()函数，它可以方便实现独热编码：

library(caret) 
 
# 定义独热编码函数 
dummy <- dummyVars(" ~ .", data=df) 
 
# 在数据框df上执行独热编码函数 
final_df <- data.frame(predict(dummy, newdata=df)) 
 
# 查看结果 
final_df 
 
#  teamA teamB teamC points 
# 1     1     0     0     25 
# 2     1     0     0     12 
# 3     0     1     0     15 
# 4     0     1     0     14 
# 5     0     1     0     19 
# 6     0     1     0     23 
# 7     0     0     1     25 
# 8     0     0     1     29  

另外fastDummies包提供的dummy_cols也可以轻松完成：

library(fastDummies) 
 
df2 <- dummy_cols(df, select_columns = "team") 
df2 
 
#  team_A team_B team_C points 
# 1     1     0     0     25 
# 2     1     0     0     12 
# 3     0     1     0     15 
# 4     0     1     0     14 
# 5     0     1     0     19 
# 6     0     1     0     23 
# 7     0     0     1     25 
# 8     0     0     1     29  

当然我们也可以手动实现：

df$teamA <- ifelse(df$team=='A',1,0) 
df$teamB <- ifelse(df$team=='B',1,0) 
df$teamC <- ifelse(df$team=='C',1,0) 
df 
 
#   team points teamA teamB teamC 
# 1    A     25     1     0     0 
# 2    A     12     1     0     0 
# 3    B     15     0     1     0 
# 4    B     14     0     1     0 
# 5    B     19     0     1     0 
# 6    B     23     0     1     0 
# 7    C     25     0     0     1 
# 8    C     29     0     0     1 

Python实现

import pandas as pd 
 
# 定义数据框 
df = pd.DataFrame({'team': ['A', 'A', 'B', 'B', 'B', 'B', 'C', 'C'], 
                   'points': [25, 12, 15, 14, 19, 23, 25, 29]}) 
 
# 查看结果 
print(df) 

sklearn 库提供的OneHotEncoder() 函数用于对pandas数据框实现独热编码：

from sklearn.preprocessing import OneHotEncoder 
 
# 创建实例 
encoder = OneHotEncoder(handle_unknown='ignore') 
 
# 对team列执行独热编码 
encoder_df = pd.DataFrame(encoder.fit_transform(df[['team']]).toarray()) 
 
# 往源数据框中合并独热编码列 
final_df = df.join(encoder_df) 
 
# 查看数据 
print(final_df) 
 
#   team  points    0    1    2 
# 0    A      25  1.0  0.0  0.0 
# 1    A      12  1.0  0.0  0.0 
# 2    B      15  0.0  1.0  0.0 
# 3    B      14  0.0  1.0  0.0 
# 4    B      19  0.0  1.0  0.0 
# 5    B      23  0.0  1.0  0.0 
# 6    C      25  0.0  0.0  1.0 
# 7    C      29  0.0  0.0  1.0 
 
# 删除 'team' 列 
final_df.drop('team', axis=1, inplace=True) 
 
# 重命名列 
final_df.columns = ['points', 'teamA', 'teamB', 'teamC'] 
 
print(final_df) 
 
#    points  teamA  teamB  teamC 
# 0      25    1.0    0.0    0.0 
# 1      12    1.0    0.0    0.0 
# 2      15    0.0    1.0    0.0 
# 3      14    0.0    1.0    0.0 
# 4      19    0.0    1.0    0.0 
# 5      23    0.0    1.0    0.0 
# 6      25    0.0    0.0    1.0 
# 7      29    0.0    0.0    1.0 

本文参考链接：https://blog.csdn.net/neweastsun/article/details/125323342