独热编码（one-hot coding）

Posted 2023-03-28

参考技术A 1 为什么需要独热编码？
    直接上案例，一份数据，特征为["颜色", "尺码", "喜欢度", "类别"]，具体数据为[['green','M', 10.1,'class1'], ['red','L', 13.5,'class2'], ['blue','XL', 15.3,'class1']]。
    这几项中，喜欢度直接是数值型，不用管。类别是label，先不说。对于颜色与尺码这两项，应该如何编码？
    先说尺码，尺码的编码形式应该是"M": 1, "L": 2, "XL": 3，直接转换成数字的形式。那么颜色这一项是否可行？直接将颜色字段编码为"green":1, "red": 2, "blue": 3，这样似乎否可行？
    先上结论，这样不行。我们在模型训练的时候，会对特征做什么？无非就是计算距离。那现在计算green，red，blue三个的距离。d(green, red)=2-1=1，d(red, blue)=3-2=1，d(green, blue)= 3-1=2。问题来了，这几个颜色之间的差距，应该是一样的。都是不同的颜色，不应该映射到欧氏空间，距离不等。这就是这种编码的问题所在。颜色这个离散特征之间没有大小的意义，应该使用独热编码。
    那么型号这个字段可以吗？回答是可以的。同样计算距离。d(M,L)=2-1=1,d(L, XL)=3-2=1,d(M,XL)=3-1=2。XL是真的比M大两号的。当离散特征的取值有大小的意义，就应该使用这种数值映射。

2 独热编码现成的包
     现成的包有不少，我就说一个，这个简单，能用就行了。pandas自带了独热编码的方法，get_dummies()。用起来很简单。还是以上边的例子。

3 独热编码的优缺点