大神手把手教你：(Python)序列数据的One Hot编码

更多深度文章，请关注：https://yq.aliyun.com/cloud

机器学习算法无法直接用于数据分类。数据分类必须转换为数字才能进一步进行。

在本教程中，你将发现如何将输入或输出的序列数据转换为一种热编码，以便于你在Python中深度学习的序列分类问题中使用。

看完本教程后，你将会了解：

·   1.什么是整数编码和One-Hot编码，以及为什么它们在机器学习中是必需的。

·   2.如何在Python中手工计算一个整数编码和One-Hot编码。

·   3.如何使用scikit-learn和Keras库来自动对Python中的序列数据进行编码。

本教程分为4部分：

1.什么是One-Hot编码？

2.手动编写One-Hot编码

3.One-Hot Encode with scikit-learn.

4.One-Hot Encode with Keras.

1.什么是One-Hot编码？

One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。

One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。

2.One-Hot编码的工作示例

让我们用一个小例子来说明一下到底什么是One-Hot编码。假设我们有一个带有'red'和'green'值的标签序列。我们可以将'red'的整数值分配为0，'green'的整数值为1。只要我们总是将这些数字分配给这些标签，这称为整数编码。一致性是重要的，所以我们可以稍后反转编码，并从整数值获取标签。

接下来，我们可以创建一个二进制向量来表示每个整数值。对于2个可能的整数值，向量的长度为2。

编码为0的“红色”标签将用二进制向量[1,0]表示，其中第0个索引被标记为值1。然后，编码为1的“绿色”标签将用一个二进制向量[0，1]，其中第一个索引被标记为1。

如果我们有序列：

‘red’,‘red’,‘green’。

我们可以用整数编码来表示它：

0，0，1

而One-Hot编码就为：

1.为什么要使用One-Hot编码？

One hot 编码进行数据的分类更准确，许多机器学习算法无法直接用于数据分类。数据的类别必须转换成数字，对于分类的输入和输出变量都是一样的。

我们可以直接使用整数编码，需要时重新调整。这可能适用于在类别之间存在自然关系的问题，例如温度“冷”（0）和”热“（1）的标签。

当没有关系时，可能会出现问题，一个例子可能是标签的“狗”和“猫”。

在这些情况下，我们想让网络更具表现力，为每个可能的标签值提供概率式数字。这有助于进行问题网络建模。当输出变量使用one-hot编码时，它可以提供比单个标签更准确的一组预测。

2.手动One Hot编码：

在这个例子中，我们将假设我们有一个字符串的例子，但是示例序列并不涵盖所有可能的例子。

我们将使用以下字符的输入序列：

Hello world。

我们将假设所有可能输入是小写字母和空格的完整字母表。因此，我们将以此展示如何滚动我们自己的one hot编码。

完整的示例如下所示。

from numpy import argmax
# define input string
data = 'hello world'
print(data)
# define universe of possible input values
alphabet = 'abcdefghijklmnopqrstuvwxyz '
# define a mapping of chars to integers
char_to_int = dict((c, i) for i, c in enumerate(alphabet))
int_to_char = dict((i, c) for i, c in enumerate(alphabet))
# integer encode input data
integer_encoded = [char_to_int[char] for char in data]
print(integer_encoded)
# one hot encode
onehot_encoded = list()
for value in integer_encoded:
       letter = [0 for _ in range(len(alphabet))]
       letter[value] = 1
       onehot_encoded.append(letter)
print(onehot_encoded)
# invert encoding
inverted = int_to_char[argmax(onehot_encoded[0])]
print(inverted)

运行示例首先打印输入字符串。

所有可能的输入的映射都是从char值创建为整数值。然后使用该映射对输入字符串进行编码。我们可以看到输入'h'中的第一个字母被编码为7。然后将整数编码转换为one hot编码。一次完成一个整数编码的字符。创建0个值的列表，以便字母表的长度可以表示任何预期的字符的长度。

接下来，特定字符的索引标记为1。我们可以看到，编码为7的第一个字母“h”整数由二进制向量表示，长度为27，第七个索引标记为1。

最后，我们反转第一个字母的编码并打印结果。我们通过使用NumPy argmax（）函数定位具有最大值的二进制向量中的索引，然后使用字符值的反向查找表中的整数进行整数。

注意：输出格式化为可读性（我们将空格默认设置为z）。

现在我们已经看到了如何从头开始自己的one hot编码，我们来看看如何使用scikit学习库来对输入序列自动完全捕获输入值的预期范围的情况。

在这个例子中，我们假设你有一个输出序列如下3个标签：

Cold，warm，hot

10个时间序列的示例顺序可以是：

Cold，cold，warm，cold，hot，hot，warm，cold，warm，hot

这将首先需要一个整数编码，如1，2，3，然后是整数到one hot编码具有3个值的二进制向量，例如[1,0,0]。

这个情况下提供序列中每个可能值的至少一个示例。因此，我们可以使用自动方法来定义整数到二进制向量的映射。

在这个例子中，我们将使用scikit学习库的编码器。具体来说，LabelEncoder创建标签的整数编码，OneHotEncoder用于创建整数编码值的one hot编码。

from numpy import array
from numpy import argmax
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import OneHotEncoder
# define example
data = ['cold', 'cold', 'warm', 'cold', 'hot', 'hot', 'warm', 'cold', 'warm', 'hot']
values = array(data)
print(values)
# integer encode
label_encoder = LabelEncoder()
integer_encoded = label_encoder.fit_transform(values)
print(integer_encoded)
# binary encode
onehot_encoder = OneHotEncoder(sparse=False)
integer_encoded = integer_encoded.reshape(len(integer_encoded), 1)
onehot_encoded = onehot_encoder.fit_transform(integer_encoded)
print(onehot_encoded)
# invert first example
inverted = label_encoder.inverse_transform([argmax(onehot_encoded[0, :])])
print(inverted)

运行示例首先打印标签序列。之后是标签的整数编码，最后是one hot编码。训练数据包含所有可能示例的集合，因此我们可以依靠整数和one hot编码变换来创建标签到编码的完整映射。

默认情况下，OneHotEncoder类将返回更高效的稀疏编码，这可能不适用于某些应用程序。例如使用Keras深度学习库。在这种情况下，我们通过设置sparse = False这个参数来禁用稀疏返回类型。

首先，我们可以使用argmax（）NumPy函数来找到具有最大值的列的索引。然后可以将其输入到LabelEncoder，以计算反向变换回文本标签。运行结果为：

在下一个例子中，我们来看一下如何直接对一个整数值进行one hot编码。

4.One Hot Encode with Keras：

您可能有一个已经是整数编码的序列。

经过处理后，您可以直接使用整数。或者，您可以直接对整数进行one hot 编码。这是非常重要的如果整数没有真正的顺序关系并且只是标签的占位符。

Keras提供了一个名为to_categorical（）的函数，它可以帮助你使用one hot编码整数数据。接下来我们看一个小例子：

在这个例子中，我们有4个整数值[0,1,2,3]，我们有以下10个数字的输入序列：

Data = [1,3,2,0,3,2,2,1,0,1]

该序列具有已知了所有值，因此我们可以直接使用to_categorical（）函数。以下列出了此功能的完整示例。

from numpy import array
from numpy import argmax
from keras.utils import to_categorical
# define example
data = [1, 3, 2, 0, 3, 2, 2, 1, 0, 1]
data = array(data)
print(data)
# one hot encode
encoded = to_categorical(data)
print(encoded)
# invert encoding
inverted = argmax(encoded[0])
print(inverted)

运行示例并打印输入序列。

然后将整数编码为二进制向量并打印。我们可以看到，正如我们预期的那样，第一个整数值1被编码为[0，1，0，0]。

然后，我们使用NumPy argmax（）函数反转编码，该函数返回第一个整数的期望值1的序列中的第一个值。

进一步阅读:

 OneHotEncoder scikit-learn API文档

 LabelEncoder scikit-learn API文档

 分类Keras API文档

 Python中使用XGBoost进行渐变增强的数据准备

 多层次分类教程与Keras深度学习库

总结：

从该教程中你应该学到了：

1.什么是整数编码和one hot编码，为什么它们在机器学习中是必需的。

2.如何在Python中手工计算一个整数编码和one hot编码。

3.如何使用scikit-learn和Keras库来自动对Python中的序列数据进行编码。

文章代码可以直接运行！希望能够帮助各位理解one-hot编码

希望上述的介绍能够帮助到你！  

本文由北邮@爱可可-爱生活老师推荐，阿里云云栖社区组织翻译。

文章原标题《How to One Hot Encode Sequence Data in Python》，

作者：Jason Brownlee 译者：袁虎 审阅：李烽

文章为简译，更为详细的内容，请查看原文