深入解析onehot

一、onehot向量

1、onehot向量，也叫做one-of-k编码，将一个离散的类别变量映射为一个高维向量，具体来说就是将一个类别变量映射为一个只有一个元素为1，其他元素都为0的向量。

2、举个例子，假如现在有一个属性为{red, green, blue}，那么它可以被映射为如下三个向量：[1, 0, 0], [0, 1, 0], [0, 0, 1]。

3、onehot向量常用于表示分类变量，如性别和学历等，方便模型计算。

二、one shot

1、与onehot向量类似的概念是one shot，它也是用来将类别变量映射成向量的方法。不同的是，onehot向量只有一个元素为1，其他为0，而one shot中，每个元素都可以是1或0。

2、继续以上面的颜色属性为例，one shot可以将红色映射为[1,0,0]，浅红色映射为[1,1,0]，黄色映射为[0,1,1]。

三、onehotencoder 用法

1、onehotencoder是sklearn里一个用来进行onehot编码的类。其用法如下：

from sklearn.preprocessing import OneHotEncoder

# 假设我们的数据长这样
x = [['青岛', 22], ['济南', 21], ['青岛', 23], ['烟台', 20]]

# 我们先对城市进行标签编码
from sklearn.preprocessing import LabelEncoder
city_encoder = LabelEncoder()
city_labels = city_encoder.fit_transform([row[0] for row in x])

# 再对城市进行onehot编码，要注意reshape一下
ohe = OneHotEncoder(categories='auto')
x_city = ohe.fit_transform(city_labels.reshape(-1, 1))

# 将年龄和城市合并为一个矩阵
x_age = np.array([row[1] for row in x]).reshape(-1, 1)
x1 = np.hstack((x_city.toarray(), x_age))

2、上面的代码中，我们先用LabelEncoder对青岛、济南、烟台进行了标签编码，将它们分别编码为0、1、2。接着我们用OneHotEncoder对城市进行了onehot编码，得到如下编码结果：

3、最后，我们把城市和年龄合并为一个矩阵，得到完整的样本：

四、onehot code

1、实现一个简单的onehot编码的代码如下：

def one_hot_encoding(x):
    """
    :param x: 输入列表
    :return: onehot编码后的二维列表
    """
    unique_x = list(set(x))
    encoding_map = {unique_x[i]: [0] * i + [1] + [0] * (len(unique_x)-i-1) for i in range(len(unique_x))}
    return [encoding_map[e] for e in x]

2、此代码可以输入任意一个列表，返回它的onehot编码结果。大致思路是先找出列表里的所有唯一值，然后用一个字典生成式来生成每个唯一值的对应编码，最后把整个列表每个元素都进行编码。

五、onehot状态

1、在实际应用中，onehot编码可能会因为离散类别数量过多而导致维度过高，进而影响模型效果。

2、还有一种情况是，如果本应该被当做一个整体来考虑的类别变量被拆开编码之后，可能会失去一些本应有的信息。

3、因此，onehot编码需要根据具体情况来判断是否适用，以及在使用时需要注意类别数量和编码方式的选择，既要保证有效表示信息，也要尽量避免维度灾难的影响。

六、onehot可以转换string

1、在sklearn中，我们可以用LabelEncoder将离散类别映射成数字，然后使用OneHotEncoder将数字转换成onehot向量；而在tensorflow中，我们可以使用tf.feature_column.categorical_column_with_vocabulary_list将离散类别映射成onehot向量。

2、例：

import tensorflow as tf

# 假设我们有一个字符串向量
colors = tf.constant(['red', 'blue', 'green', 'green', 'yellow'])

# 我们使用categorical_column_with_vocabulary_list生成一个特征列
colors_column = tf.feature_column.categorical_column_with_vocabulary_list(key='colors', vocabulary_list=['red', 'blue', 'green', 'yellow'])

# 使用onehot_column将特征列转换成onehot向量
colors_onehot = tf.feature_column.indicator_column(colors_column)

# 将向量输入到神经网络中
net = tf.layers.dense(inputs=tf.feature_column.input_layer({'colors': colors}), units=10)

3、上面的代码中，我们使用了categorical_column_with_vocabulary_list将字符串向量映射成了onehot向量，得到的结果与前面LabelEncoder和OneHotEncoder所得到的结果相同。

总结

本文对onehot从多个方面进行了深入阐述，包括onehot向量、one shot、onehotencoder 用法、onehot code、onehot状态和onehot可以转换string等方面。其中，onehot向量和onehotencoder是常用的应用方式，而onehot状态需要根据具体情况进行选择和优化。