OneHotEncoder#

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（one-hot）数值数组。

此转换器的输入应为一个类数组对象，包含整数或字符串，表示分类（离散）特征的值。这些特征使用独热（也称“one-of-K”或“哑变量”）编码方案进行编码。这会为每个类别创建一个二进制列，并返回一个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断类别。或者，您也可以手动指定 categories。

这种编码对于将分类数据输入到许多 scikit-learn 估计器（特别是线性模型和使用标准核的 SVM）是必需的。

注意：y 标签的独热编码应使用 LabelBinarizer。

更多信息请参阅用户指南。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’ 或一个类数组对象列表，默认值为 ‘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。传入的类别不应在单个特征中混合字符串和数值，且数值类别应排序。

使用的类别可以在 categories_ 属性中找到。

版本 0.20 中新增。

drop{‘first’, ‘if_binary’} 或形状为 (n_features,) 的类数组对象，默认值为 None

指定一种方法来删除每个特征中的一个类别。这在完全共线特征导致问题（例如将结果数据输入到未正则化的线性回归模型中）的情况下非常有用。

然而，删除一个类别会破坏原始表示的对称性，因此可能在下游模型（例如惩罚线性分类或回归模型）中引入偏差。

None：保留所有特征（默认）。
‘first’：删除每个特征中的第一个类别。如果只有一个类别存在，则该特征将被完全删除。
‘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] 是特征 X[:, i] 中应删除的类别。

当 max_categories 或 min_frequency 配置为对不常见类别进行分组时，删除行为将在分组后处理。

版本 0.21 中新增：参数 drop 在 0.21 中添加。

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

版本 1.1 中更改：支持删除不常见类别。

sparse_output布尔值，默认值为 True

当 True 时，它返回一个 scipy.sparse.csr_matrix 实例，即“压缩稀疏行”（CSR）格式的稀疏矩阵。

版本 1.2 中新增：sparse 被重命名为 sparse_output

dtype数值类型，默认值为 np.float64

输出的期望数据类型。

handle_unknown{‘error’, ‘ignore’, ‘infrequent_if_exist’, ‘warn’}，默认值为 ‘error’

指定在 transform 期间如何处理未知类别。

‘error’：如果在转换过程中存在未知类别，则引发错误。
‘ignore’：在转换过程中遇到未知类别时，该特征的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’：在转换过程中遇到未知类别时，如果存在不常见类别，则该特征的独热编码列将映射到不常见类别。不常见类别将被映射到编码的最后一位。在逆转换期间，如果存在被标记为 'infrequent' 的类别，未知类别将被映射到该类别。如果 'infrequent' 类别不存在，则 transform 和 inverse_transform 将像 handle_unknown='ignore' 一样处理未知类别。不常见类别的存在是基于 min_frequency 和 max_categories。更多信息请参阅用户指南。
‘warn’：在转换过程中遇到未知类别时，会发出警告，然后编码按照 handle_unknown="infrequent_if_exist" 的描述进行。

版本 1.1 中更改：添加了 'infrequent_if_exist' 以自动处理未知类别和不常见类别。

版本 1.6 中新增：选项 "warn" 在 1.6 中添加。

min_frequency整数或浮点数，默认值为 None

指定一个最小频率，低于此频率的类别将被视为不常见类别。

如果是 int，基数较小的类别将被视为不常见类别。
如果是 float，基数小于 min_frequency * n_samples 的类别将被视为不常见类别。

版本 1.1 中新增：更多信息请参阅用户指南。

max_categories整数，默认值为 None

指定在考虑不常见类别时，每个输入特征的输出特征数量的上限。如果存在不常见类别，max_categories 会包含代表不常见类别的类别以及常见类别。如果为 None，则输出特征的数量没有限制。

版本 1.1 中新增：更多信息请参阅用户指南。

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

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

"concat" 使用 feature + "_" + str(category) 拼接编码后的特征名称和类别。例如，具有值 1、6、7 的特征 X 会创建特征名称 X_1, X_6, X_7。

版本 1.3 中新增。

属性:

categories_数组列表

在拟合期间确定的每个特征的类别（按 X 中特征的顺序，并与 transform 的输出对应）。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。
如果索引为 i 的特征不删除任何类别，则 drop_idx_[i] = None，例如当 drop='if_binary' 且特征不是二元的时。
如果保留所有转换后的特征，则 drop_idx_ = None。

如果通过将 min_frequency 或 max_categories 设置为非默认值来启用不常见类别，并且 drop_idx[i] 对应一个不常见类别，那么整个不常见类别将被删除。

版本 0.23 中更改：增加了包含 None 值的可能性。

infrequent_categories_ndarray 列表

每个特征的不常见类别。

n_features_in_整数

在 fit 期间看到的特征数量。

版本 1.0 中新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在 fit 期间看到的特征名称。仅当 X 的所有特征名称均为字符串时才定义。

版本 1.0 中新增。

feature_name_combiner可调用对象或 None

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

版本 1.3 中新增。

另请参见

OrdinalEncoder: 对分类特征执行序数（整数）编码。
TargetEncoder: 使用目标对分类特征进行编码。
sklearn.feature_extraction.DictVectorizer: 对字典项执行独热编码（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独热编码。
LabelBinarizer: 以一对多（one-vs-all）方式对标签进行二值化。
MultiLabelBinarizer: 在可迭代对象的迭代和多标签格式之间进行转换，例如表示类标签存在的（样本数 x 类别数）二进制矩阵。

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，并将数据转换为二进制独热编码。

>>> from sklearn.preprocessing import OneHotEncoder

可以丢弃在 fit 期间未见的类别

>>> 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'], ...)

始终可以删除每个特征的第一个列

>>> 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.]])

或者只删除具有 2 个类别的特征的一个列

>>> 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.]])

可以更改特征名称的创建方式。

>>> 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 可以启用不常见类别。

>>> 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) 的类数组对象: 用于确定每个特征类别的输入数据。
yNone: 忽略。此参数仅为与 Pipeline 兼容而存在。

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。

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) 的类数组对象: 输入样本。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象，默认值为 None: 目标值（无监督转换时为 None）。
**fit_params字典: 额外的拟合参数。

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]#

获取转换的输出特征名称。

参数:

input_features字符串类数组对象或 None，默认值为 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。如果未定义 feature_names_in_，则生成以下输入特征名称：["x0", "x1", ..., "x(n_features_in_ - 1)"]。
如果 input_features 是一个类数组对象，那么如果定义了 feature_names_in_，则 input_features 必须与 feature_names_in_ 匹配。

返回: