１.编码
one_hot编码不再过多叙述，类似于hash的那种方法去改变数的编码方式。比如label存在与（０，１，２，３），那么一条记录的label为３，那么将编码维[0,0,0,1]
2.包： tf.one_hot(label,n_label) 需要注意的是返回的是一个tensor
from sklearn.preprocessing import OneHotEncoder
这个的用法就比较多了
1 enc = OneHotEncoder() 2 enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1],[1, 0, 2]]) 3 print "enc.n_values_ is:",enc.n_values_ 4 print "enc.feature_indices_ is:",enc.feature_indices_ 5 print enc.transform([[0, 1, 1]]).toarray()
这里，我们把以上一行看作是一条记录，那么每一行的第n列就是其第n个特征。基于这个理解，我们说下面的问题。
１）其中enc.fit与平时所用的sklearn 的作用相同。
２）enc.n_values_－>各个特征的种类
其输出：[2 3 4] 可以看到一共４行，３列，也就说４条记录３个特征，那么我们可以看出n_values_是统计各个特征的值
３） feature_indices_
输出为：[0 2 5 9]也就时说对上面n_values的累加
４） enc.transform(one_array) 这个就不用说了