ホットエンコードされたテキストは、治療を属性

学習出典：こちらをクリックして壁紙

テキスト属性データがある場合には、機械学習アルゴリズムは、今回のデジタルテキスト属性に変換する必要があり、ハンドルテキスト属性に容易ではありません。変換、属性間の配列の関係は、例えば:(冷たい、暖かい、熱）をコードする整数に直接使用することができる場合;しかし、属性間のシーケンス関係、例えば:(）、赤、緑、青が存在しない場合には、熱のみを使用することができますコーディング。

ホットは、符号化：符号化された属性は、属性の残りの値は、1であり、0

まず、人工的なワンホットエンコーディング

numpyのimprot ARGMAX 

データ = ' Hello Worldの' 
アルファベット = ' abcdefghigklmnopqrstuvwxyz ' 
char_to_int = dictの（（C、I）のための I、C で列挙（アルファベット））
int_to_char = dictの（（I、C）のための I、C で列挙（アルファベット））
＃整数编码 
integer_encoded = [char_to_int [CHAR] のためのチャーでデータ】
 プリント（integer_encoded）
＃独热编码 
OneHot_Encoder = リスト（）
 のための I にinteger_encoded：
     レター = [0 ため _ 中範囲（LEN（アルファベット））] 
     レター[I] = 1。
     OneHot_Encoder.append（文字）
印刷（OneHot_Encoder）
＃はホット符号化からデータを回復 
倒立= int_to_char [ARGMAX（OneHot_Encoder [0] ）]
 印刷（反転）
 
#output：
   

二、Scikit-学びホットエンコード

numpyのインポートARGMAX
 から numpyのインポート配列
 から sklearn.preprocessing インポートLabelEncoder
 から sklearn.preprocessing インポートOneHotEncoder 

＃编码整数 
データ=配列（[ ' 冷たい'、' 冷たい'、' 暖かい'、' 暑い'、' 暖かい'、「コールド「」ホット「」熱いです' ' 暖かい' ' 冷' ]）
label_encoder = LabelEncoder（）
label_encoded = label_encoder.fit_transform（データ）
 の印刷（label_encoded）
＃独热编码 
onehot_encoder = OneHotEncoder（カテゴリ= ' 自動' ）
onehot_encoded = onehot_encoder.fit_transform（label_encoded。変形（-1、1 ））
onehot = onehot_encoded.toarray（）
 プリント（onehot）
＃恢复编码 
状態= label_encoder.inverse_transform（[ARGMAX（onehot [0：]）]）
印刷（状態）

#output：