独热编码器#

class sklearn.preprocessing.OneHotEncoder(*, categories='auto', drop=None, sparse_output=True, dtype=<class 'numpy.float64'>, handle_unknown='error', min_frequency=None, max_categories=None, feature_name_combiner='concat')[source]#

将分类特征编码为独热数值数组。

此转换器的输入应为整数或字符串的数组，表示分类（离散）特征所取的值。这些特征使用独热（也称为“one-of-K”或“虚拟”）编码方案进行编码。这会为每个类别创建一个二进制列，并返回稀疏矩阵或密集数组（取决于sparse_output参数）。

默认情况下，编码器根据每个特征中的唯一值来推导出类别。或者，您也可以手动指定categories。

此编码对于将分类数据馈送到许多 scikit-learn 估计器（特别是具有标准核的线性模型和 SVM）是必需的。

注意：y 标签的独热编码应该使用 LabelBinarizer 代替。

在用户指南中阅读更多信息。有关不同编码器的比较，请参阅：目标编码器与其他编码器的比较。

参数：

categories‘auto’ 或数组列表，默认为 ‘auto’

每个特征的类别（唯一值）

‘auto’：从训练数据中自动确定类别。
list：categories[i] 包含第 i 列中预期的类别。传递的类别不应在一个特征内混合字符串和数值，并且在数值情况下应排序。

使用的类别可以在 categories_ 属性中找到。

0.20 版本中添加。

drop {‘first’, ‘if_binary’} 或形状为 (n_features,) 的数组，默认为 None

指定用于删除每个特征的一个类别的使用方法。这在完美共线特征导致问题的情况（例如，将结果数据馈送到未正则化的线性回归模型时）非常有用。

但是，删除一个类别会破坏原始表示的对称性，因此可能会在后续模型中引入偏差，例如对于惩罚线性分类或回归模型。

None：保留所有特征（默认值）。
‘first’：删除每个特征中的第一个类别。如果只有一个类别，则将完全删除该特征。
‘if_binary’：删除每个具有两个类别的特征中的第一个类别。具有 1 个或多于 2 个类别的特征保持不变。
array：drop[i] 是应删除的特征 X[:, i] 中的类别。

当配置 max_categories 或 min_frequency 来分组不频繁的类别时，分组后会处理删除行为。

0.21 版本中添加：参数 drop 在 0.21 版本中添加。

0.23 版本中更改：选项 drop='if_binary' 在 0.23 版本中添加。

1.1 版本中更改：支持删除不频繁的类别。

sparse_output布尔值，默认为 True

当为 True 时，它返回 scipy.sparse.csr_matrix，即“压缩稀疏行”（CSR）格式的稀疏矩阵。

1.2 版本中添加：sparse 重命名为 sparse_output

dtype数字类型，默认为 np.float64

所需的输出 dtype。

handle_unknown {‘error’, ‘ignore’, ‘infrequent_if_exist’, ‘warn’}，默认为 ‘error’

指定在transform期间处理未知类别的方式。

‘error’：如果在转换期间存在未知类别，则引发错误。
‘ignore’：当在转换期间遇到未知类别时，此特征的结果独热编码列将全部为零。在逆转换中，未知类别将表示为 None。
‘infrequent_if_exist’：当在转换过程中遇到未知类别时，此特征的最终 one-hot 编码列将映射到不频繁类别（如果存在）。不频繁类别将映射到编码中的最后位置。在逆转换过程中，如果存在“'infrequent'”类别，则未知类别将映射到表示为 'infrequent' 的类别。如果不存在 'infrequent' 类别，则 transform 和 inverse_transform 将像 handle_unknown='ignore' 一样处理未知类别。不频繁类别的存在基于 min_frequency 和 max_categories。更多信息请阅读用户指南。
‘warn’：当在转换过程中遇到未知类别时，会发出警告，然后按照 handle_unknown="infrequent_if_exist" 所述方式进行编码。

1.1 版本变更：添加了 'infrequent_if_exist' 以自动处理未知类别和不频繁类别。

1.6 版本新增： 1.6 版本中添加了 "warn" 选项。

min_frequencyint 或 float，默认值：None

指定一个最小频率，低于此频率的类别将被认为是不频繁类别。

如果为 int，则基数较小的类别将被视为不频繁类别。
如果为 float，则基数小于 min_frequency * n_samples 的类别将被视为不频繁类别。

1.1 版本新增：更多信息请阅读用户指南。

max_categoriesint，默认值：None

在考虑不频繁类别时，指定每个输入特征的输出特征数量的上限。如果存在不频繁类别，则 max_categories 包括表示不频繁类别的类别以及频繁类别。如果为 None，则对输出特征的数量没有限制。

1.1 版本新增：更多信息请阅读用户指南。

feature_name_combiner“concat” 或可调用对象，默认值：“concat”

具有签名 def callable(input_feature, category) 的可调用对象，返回一个字符串。这用于创建 get_feature_names_out 返回的特征名称。

"concat" 使用 feature + "_" + str(category) 将编码后的特征名称和类别连接起来。例如，具有值 1、6、7 的特征 X 将创建特征名称 X_1, X_6, X_7。

1.3 版本新增。

属性：

categories_数组列表

在拟合过程中确定的每个特征的类别（按照 X 中特征的顺序，并与 transform 的输出相对应）。这包括在 drop 中指定的类别（如果有）。

drop_idx_形状为 (n_features,) 的数组

drop_idx_[i] 是 categories_[i] 中要为每个特征删除的类别的索引。
drop_idx_[i] = None 如果不需要从索引为 i 的特征中删除任何类别，例如，当 drop='if_binary' 且特征不是二元特征时。
drop_idx_ = None 如果所有转换后的特征都将保留。

如果通过将 min_frequency 或 max_categories 设置为非默认值来启用不频繁类别，并且 drop_idx[i] 对应于不频繁类别，则整个不频繁类别将被删除。

0.23 版本变更：增加了包含 None 值的可能性。

infrequent_categories_ndarray 列表

每个特征的不频繁类别。

n_features_in_int

在拟合过程中看到的特征数量。

1.0 版本新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在拟合过程中看到的特征名称。仅当 X 具有全是字符串的特征名称时才定义。

1.0 版本新增。

feature_name_combiner可调用对象或 None

具有签名 def callable(input_feature, category) 的可调用对象，返回一个字符串。这用于创建 get_feature_names_out 返回的特征名称。

1.3 版本新增。

另请参见

序数编码器: 对分类特征执行序数（整数）编码。
目标编码器: 使用目标对分类特征进行编码。
sklearn.feature_extraction.DictVectorizer: 对字典项执行 one-hot 编码（也处理字符串值特征）。
sklearn.feature_extraction.FeatureHasher: 对字典项或字符串执行近似的 one-hot 编码。
标签二值化器: 以一对多方式二值化标签。
多标签二值化器: 在可迭代的可迭代对象和多标签格式之间进行转换，例如，表示类标签存在的 (样本 x 类别) 二元矩阵。

示例

给定一个具有两个特征的数据集，我们让编码器找到每个特征的唯一值，并将数据转换为二元的 one-hot 编码。

>>> from sklearn.preprocessing import OneHotEncoder

可以丢弃在 fit 过程中未看到的类别。

>>> enc = OneHotEncoder(handle_unknown='ignore')
>>> X = [['Male', 1], ['Female', 3], ['Female', 2]]
>>> enc.fit(X)
OneHotEncoder(handle_unknown='ignore')
>>> enc.categories_
[array(['Female', 'Male'], dtype=object), array([1, 2, 3], dtype=object)]
>>> enc.transform([['Female', 1], ['Male', 4]]).toarray()
array([[1., 0., 1., 0., 0.],
       [0., 1., 0., 0., 0.]])
>>> enc.inverse_transform([[0, 1, 1, 0, 0], [0, 0, 0, 1, 0]])
array([['Male', 1],
       [None, 2]], dtype=object)
>>> enc.get_feature_names_out(['gender', 'group'])
array(['gender_Female', 'gender_Male', 'group_1', 'group_2', 'group_3'], ...)

可以始终删除每个特征的第一列。

>>> drop_enc = OneHotEncoder(drop='first').fit(X)
>>> drop_enc.categories_
[array(['Female', 'Male'], dtype=object), array([1, 2, 3], dtype=object)]
>>> drop_enc.transform([['Female', 1], ['Male', 2]]).toarray()
array([[0., 0., 0.],
       [1., 1., 0.]])

或者只删除只有 2 个类别的特征的一列。

>>> drop_binary_enc = OneHotEncoder(drop='if_binary').fit(X)
>>> drop_binary_enc.transform([['Female', 1], ['Male', 2]]).toarray()
array([[0., 1., 0., 0.],
       [1., 0., 1., 0.]])

可以更改创建特征名称的方式。

>>> def custom_combiner(feature, category):
...     return str(feature) + "_" + type(category).__name__ + "_" + str(category)
>>> custom_fnames_enc = OneHotEncoder(feature_name_combiner=custom_combiner).fit(X)
>>> custom_fnames_enc.get_feature_names_out()
array(['x0_str_Female', 'x0_str_Male', 'x1_int_1', 'x1_int_2', 'x1_int_3'],
      dtype=object)

通过设置 max_categories 或 min_frequency 来启用不频繁类别。

>>> import numpy as np
>>> X = np.array([["a"] * 5 + ["b"] * 20 + ["c"] * 10 + ["d"] * 3], dtype=object).T
>>> ohe = OneHotEncoder(max_categories=3, sparse_output=False).fit(X)
>>> ohe.infrequent_categories_
[array(['a', 'd'], dtype=object)]
>>> ohe.transform([["a"], ["b"]])
array([[0., 0., 1.],
       [1., 0., 0.]])

fit(X, y=None)[source]#

将 OneHotEncoder 拟合到 X。

参数：

X形状为 (n_samples, n_features) 的类数组: 用于确定每个特征类别的數據。
yNone: 忽略。此参数仅为了与 Pipeline 保持兼容性。

返回:

self: 已拟合的编码器。

fit_transform(X, y=None, **fit_params)[source]#

拟合数据，然后转换数据。

使用可选参数 fit_params 将转换器拟合到 X 和 y，并返回 X 的转换版本。

参数：

X形状为 (n_samples, n_features) 的类数组: 输入样本。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组，默认为 None: 目标值（对于无监督转换，则为 None）。
**fit_params字典: 附加拟合参数。

返回:

X_new形状为 (n_samples, n_features_new) 的 ndarray 数组: 转换后的数组。

get_feature_names_out(input_features=None)[source]#

获取转换后的特征名称。

参数：

input_features字符串类数组或 None，默认为 None

输入特征。

如果 input_features 为 None，则使用 feature_names_in_ 作为输入特征名称。如果 feature_names_in_ 未定义，则生成以下输入特征名称：["x0", "x1", ..., "x(n_features_in_ - 1)"]。
如果 input_features 是类数组，则如果定义了 feature_names_in_，input_features 必须与 feature_names_in_ 匹配。

返回: