概要
在 sklearn 包中，OneHotEncoder 函數非常實用，它可以實現將分類特征的每個元素轉化為一個可以用來計算的值。本篇詳細講解該函數的用法，也可以參考官網 sklearn.preprocessing.OneHotEncoder。
解析
該函數在 sklearn.preprocessing 類中，格式為：
OneHotEncoder(n_values=’auto’, categorical_features=’all’, dtype=<class ‘numpy.float64’>, sparse=True, handle_unknown=’error’)
為了方便理解，我們先看下面一個例子：
# -*- coding: utf-8 -*-
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder()
enc.fit([[0, 0, 3],
[1, 1, 0],
[0, 2, 1],
[1, 0, 2]])
ans = enc.transform([[0, 1, 3]]).toarray() # 如果不加 toarray() 的話，輸出的是稀疏的存儲格式，即索引加值的形式，也可以通過參數指定 sparse = False 來達到同樣的效果
print(ans) # 輸出 [[ 1. 0. 0. 1. 0. 0. 0. 0. 1.]]
下面解釋輸出結果的意思。對於輸入數組，這依舊是把每一行當作一個樣本，每一列當作一個特征，
- 我們先來看第一個特征，即第一列 \([0, 1, 0, 1]\)，也就是說它有兩個取值 0 或者 1，那么 one-hot 就會使用兩位來表示這個特征，\([1,0]\) 表示 0， \([0,1]\) 表示 1，在上例輸出結果中的前兩位 \([1,0...]\) 也就是表示該特征為 0
- 第二個特征，第二列 \([0,1,2,0]\)，它有三種值，那么 one-hot 就會使用三位來表示這個特征，\([1,0,0]\) 表示 0， \([0,1,0]\) 表示 1，\([0,0,1]\) 表示 2，在上例輸出結果中的第三位到第六位 \([...0,1,0,0...]\) 也就是表示該特征為 1
- 第二個特征，第三列 \([3,0,1,2]\)，它有四種值，那么 one-hot 就會使用四位來表示這個特征，\([1,0,0,0]\) 表示 0， \([0,1,0,0]\) 表示 1，\([0,0,1,0]\) 表示 2，\([0,0,0,1]\) 表示 3，在上例輸出結果中的最后四位 \([...0,0,0,1]\) 也就是表示該特征為 3
好了，到此相信我們已經很明白它的意思了。值得注意的是，雖然訓練樣本中的數值僅僅代表類別，但是也必須使用數值格式的數據，如果使用字符串格式的數據會報錯。
下面解釋一下函數中參數的意思，
n_values=’auto’，表示每個特征使用幾維的數值由數據集自動推斷，即幾種類別就使用幾位來表示。當然也可以自己指定，看下面這個例子：
# -*- coding: utf-8 -*-
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder(n_values = [2, 3, 4])
enc.fit([[0, 0, 3],
[1, 1, 0]])
ans = enc.transform([[0, 2, 3]]).toarray()
print(ans) # 輸出 [[ 1. 0. 0. 0. 1. 0. 0. 0. 1.]]
注意到訓練樣本中第二個特征列沒有類別 2，但是結果中依然將類別 2 給編碼了出來，這就是自己指定維數的作用了（我們使用 3 位來表示第二個特征，自然包括了類別 2），第三列特征同樣如此。這也告誡我們，如果訓練樣本中有丟失的分類特征值，我們就必須顯示地設置參數 n_values 了，這樣防止編碼出錯。
categorical_features = 'all'，這個參數指定了對哪些特征進行編碼，默認對所有類別都進行編碼。也可以自己指定選擇哪些特征，通過索引或者 bool 值來指定，看下例：
# -*- coding: utf-8 -*-
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder(categorical_features = [0,2]) # 等價於 [True, False, True]
enc.fit([[0, 0, 3],
[1, 1, 0],
[0, 2, 1],
[1, 0, 2]])
ans = enc.transform([[0, 2, 3]]).toarray()
print(ans) # 輸出 [[ 1. 0. 0. 0. 0. 1. 2.]]
輸出結果中前兩位 \([1,0]\) 表示 0，中間四位 \([0,0,0,1]\) 表示對第三個特征 3 編碼，第二個特征 2 沒有進行編碼，就放在最后一位。
dtype=<class ‘numpy.float64’>表示編碼數值格式，默認是浮點型。
sparse=True表示編碼的格式，默認為 True，即為稀疏的格式，指定 False 則就不用 toarray() 了
handle_unknown=’error’，其值可以指定為 "error" 或者 "ignore"，即如果碰到未知的類別，是返回一個錯誤還是忽略它。
方法 transform(X) 就是對 \(X\) 進行編碼了。在實際應用中，我們更常用方法 fit_transform()，也就是一步到位，看下例：
# -*- coding: utf-8 -*-
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder(sparse = False)
ans = enc.fit_transform([[0, 0, 3],
[1, 1, 0],
[0, 2, 1],
[1, 0, 2]])
print(ans) # 輸出 [[ 1. 0. 1. ..., 0. 0. 1.]
# [ 0. 1. 0. ..., 0. 0. 0.]
# [ 1. 0. 0. ..., 1. 0. 0.]
# [ 0. 1. 1. ..., 0. 1. 0.]]