標籤編碼、獨熱編碼大不一樣 - Python 實現

對於新手在作資料的特徵工程時，會看到 Label Encoding 或 One Hot Encoding 兩種對於類別行資料的編碼方式，那他們之間究竟有什麼不一樣呢？

直接講結論：

• 原始資料是有序離散值的話 => Label Encoding
• 原始資料是無序離散值的話 => One Hot Encoding (Dummies)

如下分爲兩點說明：

爲何要將離散轉數值？

由於大部分的模型都是基於數學運算，因此字串資料是沒法運算的

爲何要將無序轉 One-Hot？

所謂數學運算通常泛指用距離表明類似（幾何觀點），意思是會用轉換後的兩個值的差距做爲其類似程度。

若是將性別欄位的男/女轉換成 0, 1 ，二元的沒問題 若是講水果這個無序欄位中的頻果、香蕉、西瓜，Label 成0, 1, 2 會隱含着「香蕉跟蘋果」比「西瓜跟蘋果」還要類似的意義，但這樣是錯誤的。 若是是年齡這個有序欄位的老年、中年、少年，Label 成 0, 1, 2 就很恰當，到若是硬轉成 One-Hot 反而將這個差距關係給拿掉。

在 Python 中實現

很巧的是，在 Python Pandas 跟 SciKit-Learn 兩個套件中都有提供編碼的操做。如下分別示範用法的不一樣：

① LabelEncoding

df = pd.DataFrame({'size':['XXL', 'XL', 'L', 'M', 'S']})

# Using Pandas
import pandas as pd 
cat = pd.Categorical(df['size'], categories=df['size'].unique(), ordered=True))
df['size_code'] = cat.codes

# Using sklearn
from sklearn import preprocessing 
le = preprocessing.LabelEncoder()
le.fit(df['tw'])
le.transform(df['size'])

複製代碼

② One Hot Encoding (Dummies)

# Using Pandas
df = pd.DataFrame({'A': ['a', 'b', 'a'], 'B': ['b', 'a', 'c'])
pd.get_dummies(df)

# Using sklearn
enc = preprocessing.OneHotEncoder()
enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])  
enc.transform([[0, 1, 3]]).toarray()

複製代碼

要注意的是，他們都是一樣的動做，僅是不一樣的套件而已。

---

License

本著做由Chang Wei-Yaun (v123582)製做， 以創用CC 姓名標示-相同方式分享 3.0 Unported受權條款釋出。