在机器学习领域中，One-Hot Encoding是什么

一般来说，机器学习模型要求所有的输入输出变量都必须是数字。如果我们的数据中包含了分类数据，我们必须将它们编码成一些数字，这样我们才可以拿去训练和评测一个机器学习模型。

我们常说的分类数据是不能够直接拿来训练、预测的。因为它们一般都不是数值数据（数字），分类数据一般都是一些名称、标签，比如说颜色的分类数据有”红“、”绿“、”黄“、“紫”等等，再比如汽车品牌分类数据有“比亚迪”、“奇瑞”、“长城”、“广汽”等等。它们都缺乏特定的数值。为了能够使用上机器学习算法，我们就要想办法用一些数字去代表它们。这个过程就是数字化编码过程。只要你把够把数字与它们（分类数据）对应上就行。

数字编码技术有很多。其中有一种叫“One-Hot Encoding”，关键python还有相似的库来使用，所以让这种编码就更流行了。编出来的码主要的作用就是与相应分类数据一一对应上，方便机器学习算法的操作。而且这种编码用完就可以丢掉了，hot就体现在这了。它只有在对应着分类数据时才是有意义的。

One-Hot Encoding的思想也很简单，one bit hot encoding，一个比特位热编码。比特位的值只有两个0或1，所以一个比特位代表一个分类。如

奇瑞： 1000
广汽：0100
比亚迪：0010
长城：0001

sklearn提供了One-Hot encoding的数据预处理工具，我们这里因为是在应用机器学习算法前做的数据处理，所以这个阶段也叫数据预处理。

import numpy as np
from sklearn.preprocessing import OneHotEncoder

categerical_data = np.array([['比亚迪'],['奇瑞'],['长城'],['广汽']])
one_hot_encoder = OneHotEncoder(sparse_output=False)
rs = one_hot_encoder.fit_transform(categerical_data)
1
2
3
4
5
6

结果：