查閱了很多資料，逐漸知道了one hot 的編碼，但是始終沒理解sklearn. preprocessing.OneHotEncoder()如何進行fit()的？自己琢磨了一下，后來終於明白是怎么回事了。
先看one hot 的編碼的理解：引用至：https://blog.csdn.net/wy250229163/article/details/52983760
網上關於One-hot編碼的例子都來自於同一個例子，而且結果來的太抖了。查了半天，終於給搞清楚這個獨熱編碼是怎么回事了，其實挺簡單的，這里再做個總結。 首先，引出例子： 已知三個feature，三個feature分別取值如下： feature1=[“male”, “female”] feature2=[“from Europe”, “from US”, “from Asia”] feature3=[“uses Firefox”, “uses Chrome”, “uses Safari”, “uses Internet Explorer”] 如果做普通數據處理，那么我們就按0,1,2,3進行編號就行了。例如feature1=[0，1],feature2=[0，1，2],feature3=[0，1，2，3]。 那么，如果某個樣本為[“male”,“from Asia”, “uses Chrome”]，它就可以表示為[0，2，1]。 以上為普通編碼方式。 獨熱編碼(One-hot)換了一種方式編碼，先看看百科定義的： 獨熱編碼即 One-Hot 編碼，又稱一位有效編碼，其方法是使用N位狀態寄存器來對N個狀態進行編碼，每個狀態都有它獨立的寄存器位，並且在任意時候，其中只有一位有效。 例如對六個狀態進行編碼： 自然順序碼為 000,001,010,011,100,101 獨熱編碼則是 000001,000010,000100,001000,010000,100000 通過以上可以看到，獨熱編碼每一個碼的總的位數取決於狀態的種類數，每一個碼里的“1”的位置，就代表了哪個狀態生效。 還是回到我們最開始的例子，那么我們將它換成獨熱編碼后，應該是： feature1=[01,10] feature2=[001,010,100] feature3=[0001,0010,0100,1000] 注意，獨熱編碼還有個特性是，當某個特征里的某一狀態生效后，此特征的其他狀態因為是互斥的關系，必須全部為0，切必須全部添加到特征里，不能省略不寫。 所以，對於前邊樣本[“male”,“from Asia”, “uses Chrome”]，經過獨熱編碼后，它應該為： [01,00, 000,000,100, 0000,0010,0000,0000] 。 以上的獨熱編碼可以寫成簡寫形式： [1,0, 0,0,1, 0,1,0,0] 最后，摘抄下獨熱編碼的好處： 由於分類器往往默認數據數據是連續的，並且是有序的，但是在很多機器學習任務中，存在很多離散（分類）特征，因而將特征值轉化成數字時，往往也是不連續的， One-Hot 編碼解決了這個問題。 並且，經過獨熱編碼后，特征變成了稀疏的了。這有兩個好處，一是解決了分類器不好處理屬性數據的問題，二是在一定程度上也起到了擴充特征的作用。
然后網上很多人舉了一個sklearn. preprocessing.OneHotEncoder()的例子：例子如下：
>>> from sklearn.preprocessing import OneHotEncoder >>> enc = OneHotEncoder() >>> enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]]) >>> enc.n_values_ array([2, 3, 4]) >>> enc.feature_indices_ array([0, 2, 5, 9]) >>> enc.transform([[0, 1, 1]]).toarray() array([[ 1., 0., 0., 1., 0., 0., 1., 0., 0.]])
看了很多人的博客，都沒懂，於是自己琢磨，原來是fit是看可以取多少個值。比如在
enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])
這個fit中，所有的數組第一個元素取值分別為：0，1，0，1（黃色標注的），最大為1，且為兩種元素（0，1），說明用2個狀態位來表示就可以了，且該維度的value值為2（該值只與最大值有關系，最大值為1）
所有的數組第二個元素取值分別為：0，1，2，0（紅色標注的），最大為2，且為兩種元素（0，1，2），說明用3個狀態位來表示就可以了，且該維度的value值為3（該值只與最大值有關系，最大值為2）
所有的數組第三個元素取值分別為：3，0，1，2（天藍色標注的），最大為3，且為兩種元素（0，1，2，3），說明用4個狀態位來表示就可以了，且該維度的value值為4（該值只與最大值有關系，最大值為4）
所以整個的value值為（2，3，4），這也就解釋了 enc.n_values_等於array([2,3,4])的原因。而enc.feature_indices_則是特征索引，該例子中value值為（2，3，4），則特征索引從0開始，到2的位置為第一個，到2+3=5的位置為第二個，到2+3+4的位置為第三個，索引為array([0,2,5,9])
那么接下來理解
>>> enc.transform([[0, 1, 1]]).toarray() array([[ 1., 0., 0., 1., 0., 0., 1., 0., 0.]])
這個就好辦了，enc.transform就是將[0,1,1]這組特征轉換成one hot編碼，toarray()則是轉成數組形式。[0,1,1],
第一個元素是0，由於之前的fit的第一個維度為2（有兩種表示：10，01.程序中10表示0，01表示1），所以用1，0表示用黃色標注）；
第二個元素是1，由於之前的fit的第二個維度為3（有三種表示：100，010，001.程序中100表示0，010表示1，001表示2），所以用0，1，0表示用紅色標注）；
第三個元素是1，由於之前的fit的第三個維度為4（有四種表示：1000，0100，0010，0001.程序中1000表示0，0100表示1，0010表示2，0001表示3），
所以用0，1，0，0（用天藍色標注）表示。綜上所述：[0,1,1]就被表示為array([[ 1., 0., 0., 1., 0., 0., 1., 0., 0.]])。
排版不易，怎么排着排着就字體變成這樣了，而且 還沒找到格式刷。不過，總算理解了one hot編碼和sklearn. preprocessing.OneHotEncoder()如何進行fit()的
有什么問題的歡迎指正，謝謝！