１.編碼
one_hot編碼不再過多敘述，類似於hash的那種方法去改變數的編碼方式。比如label存在與（０，１，２，３），那么一條記錄的label為３，那么將編碼維[0,0,0,1]
2.包： tf.one_hot(label,n_label) 需要注意的是返回的是一個tensor
from sklearn.preprocessing import OneHotEncoder
這個的用法就比較多了
1 enc = OneHotEncoder() 2 enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1],[1, 0, 2]]) 3 print "enc.n_values_ is:",enc.n_values_ 4 print "enc.feature_indices_ is:",enc.feature_indices_ 5 print enc.transform([[0, 1, 1]]).toarray()
這里，我們把以上一行看作是一條記錄，那么每一行的第n列就是其第n個特征。基於這個理解，我們說下面的問題。
１）其中enc.fit與平時所用的sklearn 的作用相同。
２）enc.n_values_－>各個特征的種類
其輸出：[2 3 4] 可以看到一共４行，３列，也就說４條記錄３個特征，那么我們可以看出n_values_是統計各個特征的值
３） feature_indices_
輸出為：[0 2 5 9]也就時說對上面n_values的累加
４） enc.transform(one_array) 這個就不用說了