扫码加入数据分析学习群

在机器学习算法中，常会遇到分类特征是离散的，无序的。例如：性别有男、女，城市有北京，上海，深圳等。

性别特征：

["男"，"女"] => 0，1

地区特征：

["北京"，"上海，"深圳"] => 0，1，2

工作特征：

["演员"，"厨师"，"公务员"，"工程师"，"律师"] => 0，1，2，3，4

比如，样本(女，北京，工程师)=>(1，0，3)，但是，这样的特征处理并不能直接放入机器学习算法中，因为，分类器通常数据是连续且有序。解决这类问题，一种解决方法是采用独热编码（One-Hot Encoding）。

什么是独热编码

独热编码（One-Hot Encoding），又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。即，只有一位是1，其余都是零值。

例如，对六个状态进行编码：

自然顺序码为 000,001,010,011,100,101

独热编码则是 000001,000010,000100,001000,010000,100000

回到一开始的例子，性别特征：["男","女"]，按照N位状态寄存器来对N个状态进行编码的原理：

性别特征：["男"，"女"]（这里N=2）

男 => 10

女 => 01

地区特征：["北京"，"上海，"深圳"]（这里N=3）：

北京 => 100

上海 => 010

深圳 => 001

工作特征：["演员"，"厨师"，"公务员"，"工程师"，"律师"]（这里N=5）：

演员 => 10000

厨师 => 01000

公务员 => 00100

工程师 => 00010

律师 => 00001

所以，样本的特征是["女","北京","工程师"]的时候，独热编码（One-Hot Encoding）的结果为：[0，1，1，0，0，0，0，0，1，0]