One-hot类别编码

Question

我有一个类似如下的列表：

list = ['Opinion, Journal, Editorial',
        'Opinion, Magazine, Evidence-based',
        'Evidence-based']

其中逗号在类别之间拆分，例如。观点和期刊是两个不同的类别。真正的列表要大得多，并且有更多可能的类别。我想使用one-hot编码来转换列表，这样它就可以用于机器学习。例如，我想从该列表中生成一个包含以下数据的稀疏矩阵：

list = [[1, 1, 1, 0, 0],
        [1, 0, 0, 0, 1],
        [0, 0, 0, 0, 1]]

理想情况下，我希望使用scikit-learn's one hot encoder，因为我认为这将是最有效的。

在回应@nbrayns评论时：

其思想是将类别列表从文本转换为向量，如果它属于该类别，将被分配1，否则为0。对于上面的示例，标题将是：

headings = ['Opinion', 'Journal', 'Editorial', 'Magazine', 'Evidence-based']

Answer 1

如果您能够使用Pandas，则此功能本质上是内置的：

import pandas as pd

l = ['Opinion, Journal, Editorial', 'Opinion, Magazine, Evidence-based', 'Evidence-based']
pd.Series(l).str.get_dummies(', ')

   Editorial  Evidence-based  Journal  Magazine  Opinion
0          1               0        1         0        1
1          0               1        0         1        1
2          0               1        0         0        0

如果你想继续使用sklearn生态系统，你正在寻找的是MultiLabelBinarizer，而不是OneHotEncoder。顾名思义，OneHotEncoder只支持每个类别的每个样本一个级别，而您的数据集有多个级别。

from sklearn.preprocessing import MultiLabelBinarizer

mlb = MultiLabelBinarizer()  # pass sparse_output=True if you'd like
mlb.fit_transform(s.split(', ') for s in l)

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

要将列映射回分类级别，可以访问mlb.classes_。对于上面的例子，这给出了['Editorial' 'Evidence-based' 'Journal' 'Magazine' 'Opinion']。

Answer 2

另一种方法：

l = ['Opinion, Journal, Editorial', 'Opinion, Magazine, Evidence-based', 'Evidence-based']

# Get list of unique classes
classes = list(set([j for i in l for j in i.split(', ')]))
=> ['Journal', 'Opinion', 'Editorial', 'Evidence-based', 'Magazine']

# Get indices in the matrix
indices = np.array([[k, classes.index(j)] for k, i in enumerate(l) for j in i.split(', ')])
=> array([[0, 1],
          [0, 0],
          [0, 2],
          [1, 1],
          [1, 4],
          [1, 3],
          [2, 3]])

# Generate output
output = np.zeros((len(l), len(classes)), dtype=int)
output[indices[:, 0], indices[:, 1]]=1
=> array([[ 1,  1,  1,  0,  0],
          [ 0,  1,  0,  1,  1],
          [ 0,  0,  0,  1,  0]])

Answer 3

这可能不是最有效的方法，但可能很容易掌握。

如果您还没有所有可能单词的列表，则需要创建该列表。在下面的代码中，它被称为unique。然后，输出矩阵s的列将对应于这些唯一的单词；行将是列表中的项。

import numpy as np

lis = ['Opinion, Journal, Editorial','Opinion, Magazine, Evidence-based','Evidence-based']

unique=list(set(", ".join(lis).split(", ")))
print unique
# prints ['Opinion', 'Journal', 'Magazine', 'Editorial', 'Evidence-based']

s = np.zeros((len(lis), len(unique)))
for i, item in enumerate(lis):
    for j, notion in enumerate(unique):
        if notion in item:
            s[i,j] = 1

print s
# prints [[ 1.  1.  0.  1.  0.]
#         [ 1.  0.  1.  0.  1.]
#         [ 0.  0.  0.  0.  1.]]