大神手把手教你：(Python)序列数据的One Hot编码

摘要： 不懂One Hot编码？让大神手把手教你（文中代码可以直接运行），用小例子清晰明了的带你进入One hot 编码！

更多深度文章，请关注：https://yq.aliyun.com/cloud

机器学习算法无法直接用于数据分类。数据分类必须转换为数字才能进一步进行。

在本教程中，你将发现如何将输入或输出的序列数据转换为一种热编码，以便于你在Python中深度学习的序列分类问题中使用。

看完本教程后，你将会了解：

·   1.什么是整数编码和One-Hot编码，以及为什么它们在机器学习中是必需的。

·   2.如何在Python中手工计算一个整数编码和One-Hot编码。

·   3.如何使用scikit-learn和Keras库来自动对Python中的序列数据进行编码。

本教程分为4部分：

1.什么是One-Hot编码？

2.手动编写One-Hot编码

3.One-Hot Encode with scikit-learn.

4.One-Hot Encode with Keras.

1.什么是One-Hot编码？

One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。

One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。

2.One-Hot编码的工作示例

让我们用一个小例子来说明一下到底什么是One-Hot编码。假设我们有一个带有'red'和'green'值的标签序列。我们可以将'red'的整数值分配为0，'green'的整数值为1。只要我们总是将这些数字分配给这些标签，这称为整数编码。一致性是重要的，所以我们可以稍后反转编码，并从整数值获取标签。

接下来，我们可以创建一个二进制向量来表示每个整数值。对于2个可能的整数值，向量的长度为2。

编码为0的“红色”标签将用二进制向量[1,0]表示，其中第0个索引被标记为值1。然后，编码为1的“绿色”标签将用一个二进制向量[0，1]，其中第一个索引被标记为1。

如果我们有序列：

‘red’,‘red’,‘green’。

我们可以用整数编码来表示它：

0，0，1

而One-Hot编码就为：

[1, 0]
[1, 0]
[0, 1]

1.为什么要使用One-Hot编码？

One hot 编码进行数据的分类更准确，许多机器学习算法无法直接用于数据分类。数据的类别必须转换成数字，对于分类的输入和输出变量都是一样的。

我们可以直接使用整数编码，需要时重新调整。这可能适用于在类别之间存在自然关系的问题，例如温度“冷”（0）和”热“（1）的标签。

当没有关系时，可能会出现问题，一个例子可能是标签的“狗”和“猫”。

在这些情况下，我们想让网络更具表现力，为每个可能的标签值提供概率式数字。这有助于进行问题网络建模。当输出变量使用one-hot编码时，它可以提供比单个标签更准确的一组预测。

2.手动One Hot编码：

在这个例子中，我们将假设我们有一个字符串的例子，但是示例序列并不涵盖所有可能的例子。

我们将使用以下字符的输入序列：

Hello world。

我们将假设所有可能输入是小写字母和空格的完整字母表。因此，我们将以此展示如何滚动我们自己的one hot编码。

完整的示例如下所示。

from numpy import argmax
# define input string
data = 'hello world'
print(data)
# define universe of possible input values
alphabet = 'abcdefghijklmnopqrstuvwxyz '
# define a mapping of chars to integers
char_to_int = dict((c, i) for i, c in enumerate(alphabet))
int_to_char = dict((i, c) for i, c in enumerate(alphabet))
# integer encode input data
integer_encoded = [char_to_int[char] for char in data]
print(integer_encoded)
# one hot encode
onehot_encoded = list()
for value in integer_encoded:
       letter = [0 for _ in range(len(alphabet))]
       letter[value] = 1
       onehot_encoded.append(letter)
print(onehot_encoded)
# invert encoding
inverted = int_to_char[argmax(onehot_encoded[0])]
print(inverted)

 

运行示例首先打印输入字符串。

所有可能的输入的映射都是从char值创建为整数值。然后使用该映射对输入字符串进行编码。我们可以看到输入'h'中的第一个字母被编码为7。然后将整数编码转换为one hot编码。一次完成一个整数编码的字符。创建0个值的列表，以便字母表的长度可以表示任何预期的字符的长度。

接下来，特定字符的索引标记为1。我们可以看到，编码为7的第一个字母“h”整数由二进制向量表示，长度为27，第七个索引标记为1。

最后，我们反转第一个字母的编码并打印结果。我们通过使用NumPy argmax（）函数定位具有最大值的二进制向量中的索引，然后使用字符值的反向查找表中的整数进行整数。

注意：输出格式化为可读性（我们将空格默认设置为z）。

原文链接