如何在 Python 中对序列数据进行独热编码

在本教程中，我们将学习如何将我们的输入或输出序列数据转换为独热编码，以用于序列分类。

独热编码是机器学习的一个有用特征，因为很少有机器学习算法可以直接处理类别数据。在处理数据集时，我们会遇到没有特定偏好顺序的列。

如果我们处理的是序列分类类型的问题，那么类别数据必须转换为数字。当我们使用深度学习方法（如长短期记忆循环神经网络）时，也会用到这种技术。

首先，我们将讨论类别数据。

什么是分类数据？

类别数据是具有标签值而不是数值的变量类型。这些类型的变量也称为标称变量。让我们看下面的类别数据示例。

• 一个“汽车”变量，其值为：“Maruti”和“Jaguar”。
• 一个“食物”变量，其值为：“素食”和“非素食”。
• 一个“地点”变量，其值为：“第一”，“第二”和“第三”。

正如我们在上面的代码中所见，有些类别可能具有自然关系，例如自然顺序。在第三个示例中，“地点”变量的值具有自然顺序。

类别数据的问题

一些机器学习算法可以直接处理类别数据。少数算法无法直接处理标签数据，因为它们要求所有数据变量和输出变量都是数值。

因此，我们必须将层次数据转换为数值形式。假设类别变量是输出变量。在这种情况下，您可能还想将模型的预测转换回类别形式，以表示它们或在某些应用程序中使用它们。

如何将类别数据转换为数值数据

有两种方法可以将类别数据转换为数值数据。

• 整数编码
• 独热编码

在下一节中，我们将讨论独热编码。

什么是独热编码？

独热编码用于将类别变量转换为数值。在进行进一步的数据分析之前，会将类别值映射到整数值。每列包含“0”或“1”，对应于它所在的列。在此过程中，每个整数值都表示为一个二进制向量，该向量除索引为 1 的整数外，其余全为零。

独热编码示例

让我们通过以下简单示例来理解它。

假设我们有一组值为“黄色”和“红色”的标签序列。要将它们转换为数值，我们将“黄色”分配为整数值 1，对应于列中存在的类别数量，将“红色”分配为 0。当我们遇到这些标签时，我们将分配相同的整数值。这称为整数编码。

让我们看另一个例子 - 假设有一个名为“动物”的类别，它有四个值 - 猫、狗、牛和骆驼。考虑下表，其中包含动物及其对应的类别值。

输入表 -

独热编码后将显示如下输出。

如果我们以向量形式表示上述输出，它将如下所示。

猫 - > [1, 0, 0, 0]

狗 - > [0, 1, 0, 0]

牛 - > [0, 0, 1, 0]

骆驼 - > [0, 0, 0, 1]

为什么要使用独热编码？

独热编码的一个最佳优点是它能够使类别数据更具表现力。正如我们之前讨论过的，许多机器学习算法无法直接处理类别数据，因此需要将其转换为整数。

我们可以直接使用整数值，或者在需要的地方使用。它可以解决具有自然序数关系的类别之间的问题。例如 - 我们可以为“天气”标签分配整数值，如“冬季”、“夏季”和“季风”。

但是，如果没有找到序数关系，可能会出现问题。如果我们允许表示倾向或任何此类关系，可能会损害解决问题的学习能力。

手动独热编码

在下面的示例中，我们将考虑一个字母字符串，该字符串将被转换为整数值。

现在，我们将对上述字符串值实现独热编码。让我们看下面的例子。

示例 -

输出

hello python

[7, 4, 11, 11, 14, 26, 15, 24, 19, 7, 14, 13]

[[0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
[0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
 [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1], 
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0], 
[0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]]

说明

在上面的代码中，我们声明了输入字符串并打印了它。接下来，我们定义了所有可能的输入值集合。然后，创建了从字符值到整数值的映射。我们使用此映射对输入字符串进行编码。

正如我们在上面的输出中所见，第一个字母h被编码为 7。然后，此整数编码被转换为独热编码。一个整数一次编码一个字符。

每个字符都有特定的索引值，我们将该特定字符的索引标记为 1。第一个字符在 27 的二进制向量中表示为 7。我们将 h 的第 7 个索引标记为 1。

现在，我们将学习使用scikit-learn库实现独热编码。

使用 Scikit-learn 进行独热编码

在此示例中，让我们假设有以下 3 个标签的输出序列。

一个具有 10 个时间步长的示例序列可能是。

我们使用整数值 1、2、3 对上述标签进行编码。在独热编码中，我们将使用具有 3 个值的二进制向量，例如 [1, 0, 0]。序列至少包含序列中一个可能值的一个示例。

我们将使用 scikit-learn 库。我们将使用其中的LabelEncoder模块来创建标签的整数编码，并使用OneHotEncoder来创建整数编码值的独热编码。

让我们理解下面的例子。

示例 -

输出

['apple' 'apple' 'mango' 'apple' 'banana' 'banana' 'mango' 'apple']
[0 0 2 0 1 1 2 0]
[[1. 0. 0.]
 [1. 0. 0.]
 [0. 0. 1.]
 [1. 0. 0.]
 [0. 1. 0.]
 [0. 1. 0.]
 [0. 0. 1.]
 [1. 0. 0.]]

解释 -

在上面的代码中，我们首先打印了标签序列。然后，我们执行了整数编码，最后是独热编码。OneHotEncoder 类返回组织良好的稀疏编码。但对于某些应用程序（如与 keras 库一起使用）来说，它效率不高。

使用 Keras 进行独热编码

假设我们有一个已经整数编码的序列。我们可以直接处理整数编码，或者将整数编码映射到标签值。我们可以使用to_categorical()函数对整数数据进行独热编码。

在此示例中，我们有五个整数值 [0, 1, 2, 3, 4]，并且有一个包含以下 15 个数字的输入序列。

让我们理解下面的例子。

示例 -

输出

[1 4 3 3 0 3 2 2 4 0 1 2 1 4 3]
[[0. 1. 0. 0. 0.]
 [0. 0. 0. 0. 1.]
 [0. 0. 0. 1. 0.]
 [0. 0. 0. 1. 0.]
 [1. 0. 0. 0. 0.]
 [0. 0. 0. 1. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 0. 0. 1.]
 [1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 0. 0. 1.]
 [0. 0. 0. 1. 0.]]
1

解释 -

在上面的代码中，我们将整数编码编码为二进制向量并打印。然后，我们使用 Numpy 的argmax()函数来反转序列中第一个值的编码。