图片来自 Pexels
1. Google 网络安全证书 - 快速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持组织的 IT 工作
独热编码是将类别值转换为兼容的数值表示形式的数据预处理步骤。
| categorical_column | bool_col | col_1 | col_2 | label |
|---|---|---|---|---|
| value_A | True | 9 | 4 | 0 |
| value_B | False | 7 | 2 | 0 |
| value_D | True | 9 | 5 | 0 |
| value_D | False | 8 | 3 | 1 |
| value_D | False | 9 | 0 | 1 |
| value_D | False | 5 | 4 | 1 |
| value_B | True | 8 | 1 | 1 |
| value_D | True | 6 | 6 | 1 |
| value_C | True | 0 | 5 | 0 |
例如，对于这个虚拟数据集，类别列具有多个字符串值。许多机器学习算法要求输入数据为数值形式。因此，我们需要将这些数据属性转换为适合这些算法的形式。因此，我们将类别列拆分为多个二值列。
首先，将 .csv 文件或任何其他关联文件读入 Pandas 数据框。
df = pd.read_csv("data.csv")为了检查唯一值并更好地理解数据，我们可以使用以下 Panda 函数。
df['categorical_column'].nunique()
df['categorical_column'].unique()对于这些虚拟数据，这些函数返回以下输出：
>>> 4
>>> array(['value_A', 'value_C', 'value_D', 'value_B'], dtype=object)对于类别列，我们可以将其拆分为多个列。为此，我们使用 pandas.get_dummies() 方法。它接受以下参数：
| 参数 | |
|---|---|
| 数据： 类数组、Series 或 DataFrame | 原始的 pandas 数据框对象 |
| 列： 类似列表，默认为 None | 类别列的列表，用于进行独热编码 |
| drop_first： 布尔值，默认为 False | 移除类别标签的第一个级别 |
为了更好地理解该函数，让我们对虚拟数据集进行独热编码。
我们使用 get_dummies 方法并将原始数据框作为 data 输入。在 columns 中，我们传递一个仅包含 categorical_column 头的列表。
df_encoded = pd.get_dummies(df, columns=['categorical_column', ])以下命令删除了 categorical_column 并为每个唯一值创建了一个新列。因此，单个类别列被转换为 4 个新列，其中只有一个列的值为 1，其他 3 列的值均为 0。这就是为什么它被称为一热编码。
| categorical_column_value_A | categorical_column_value_B | categorical_column_value_C | categorical_column_value_D |
|---|---|---|---|
| 1 | 0 | 0 | 0 |
| 0 | 1 | 0 | 0 |
| 0 | 0 | 0 | 1 |
| 0 | 0 | 0 | 1 |
| 0 | 0 | 0 | 1 |
| 0 | 0 | 0 | 1 |
| 0 | 1 | 0 | 0 |
| 0 | 0 | 0 | 1 |
| 0 | 0 | 1 | 0 |
| 0 | 0 | 0 | 1 |
当我们想对布尔列进行一热编码时会出现问题。这也会创建两个新列。
df_encoded = pd.get_dummies(df, columns=[bool_col, ])| bool_col_False | bool_col_True |
|---|---|
| 0 | 1 |
| 1 | 0 |
| 0 | 1 |
| 1 | 0 |
当我们可以仅使用一列将 True 编码为 1，False 编码为 0 时，不必要地增加了一列。为解决此问题，我们使用 drop_first 参数。
df_encoded = pd.get_dummies(df, columns=['bool_col'], drop_first=True)| bool_col_True |
|---|
| 1 |
| 0 |
| 1 |
| 0 |
虚拟数据集经过一热编码后，最终结果如下
| col_1 | col_2 | bool | A | B | C | D | label |
|---|---|---|---|---|---|---|---|
| 9 | 4 | 1 | 1 | 0 | 0 | 0 | 0 |
| 7 | 2 | 0 | 0 | 1 | 0 | 0 | 0 |
| 9 | 5 | 1 | 0 | 0 | 0 | 1 | 0 |
| 8 | 3 | 0 | 0 | 0 | 0 | 1 | 1 |
| 9 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
| 5 | 4 | 0 | 0 | 0 | 0 | 1 | 1 |
| 8 | 1 | 1 | 0 | 1 | 0 | 0 | 1 |
| 6 | 6 | 1 | 0 | 0 | 0 | 1 | 1 |
| 0 | 5 | 1 | 0 | 0 | 1 | 0 | 0 |
| 1 | 8 | 1 | 0 | 0 | 0 | 1 | 0 |
类别值和布尔值已经转换为可以作为机器学习算法输入的数值。
穆罕默德·阿赫姆 是一名深度学习工程师，专注于计算机视觉和自然语言处理。他曾参与多个生成式 AI 应用的部署和优化，这些应用在 Vyro.AI 全球排行榜上名列前茅。他对构建和优化智能系统的机器学习模型充满兴趣，并相信持续改进。