我使用sklearn.OneHotEncoder对分类数据进行编码，并将它们提供给随机森林分类器。一切似乎都工作了，我得到了我预测的输出。
是否有一种方法可以反转编码并将我的输出转换回其原始状态?
解决这个问题的一个很好的系统方法是从一些测试数据开始，并使用它来完成sklearn.OneHotEncoder源。如果你不太关心它是如何工作的，只是想要一个快速的答案，直接跳到底部。
X = np.array([
[3, 10, 15, 33, 54, 55, 78, 79, 80, 99],
[5, 1, 3, 7, 8, 12, 15, 19, 20, 8]
]).T
n_values_参数。如果您设置了n_values='auto'(默认值)，这将自动确定。或者，您可以为所有特征(int)指定最大值，或者为每个特征(array)指定最大值。假设我们使用的是默认值。因此执行以下行:
n_samples, n_features = X.shape # 10, 2
n_values = np.max(X, axis=0) + 1 # [100, 21]
self.n_values_ = n_values
feature_indices_参数
n_values = np.hstack([[0], n_values]) # [0, 100, 21]
indices = np.cumsum(n_values) # [0, 100, 121]
self.feature_indices_ = indices
所以feature_indices_仅仅是n_values_加0的累加和。
稀疏矩阵构造
接下来，从数据构造一个scipy.sparse.coo_matrix。它从三个数组初始化:稀疏数据(所有数组)、行索引和列索引。
column_indices = (X + indices[:-1]).ravel()
# array([ 3, 105, 10, 101, 15, 103, 33, 107, 54, 108, 55, 112, 78, 115, 79, 119, 80, 120, 99, 108])
row_indices = np.repeat(np.arange(n_samples, dtype=np.int32), n_features)
# array([0, 0, 1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 6, 6, 7, 7, 8, 8, 9, 9], dtype=int32)
data = np.ones(n_samples * n_features)
# array([ 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
out = sparse.coo_matrix((data, (row_indices, column_indices)),
shape=(n_samples, indices[-1]),
dtype=self.dtype).tocsr()
# <10x121 sparse matrix of type '<type 'numpy.float64'>' with 20 stored elements in Compressed Sparse Row format>
注意，coo_matrix会立即转换为scipy.sparse.csr_matrix。coo_matrix被用作中间格式，因为它"促进了稀疏格式之间的快速转换"。
n_values='auto'，稀疏csr矩阵被压缩到只有具有活动特征的列。如果是sparse=True，则返回稀疏的csr_matrix，否则在返回前将其致密化。
if self.n_values == 'auto':
mask = np.array(out.sum(axis=0)).ravel() != 0
active_features = np.where(mask)[0] # array([ 3, 10, 15, 33, 54, 55, 78, 79, 80, 99, 101, 103, 105, 107, 108, 112, 115, 119, 120])
out = out[:, active_features] # <10x19 sparse matrix of type '<type 'numpy.float64'>' with 20 stored elements in Compressed Sparse Row format>
self.active_features_ = active_features
return out if self.sparse else out.toarray()
现在让我们反过来做。我们想知道如何在给定稀疏矩阵的情况下恢复X，该矩阵与上面详细介绍的OneHotEncoder特征一起返回。让我们假设我们通过实例化一个新的OneHotEncoder并在数据X上运行fit_transform来实际运行上面的代码。
from sklearn import preprocessing
ohc = preprocessing.OneHotEncoder() # all default params
out = ohc.fit_transform(X)
解决这个问题的关键是理解active_features_和out.indices之间的关系。对于csr_matrix，索引数组包含每个数据点的列号。但是，不能保证对这些列号进行排序。为了对它们进行排序，我们可以使用sorted_indices方法。
out.indices # array([12, 0, 10, 1, 11, 2, 13, 3, 14, 4, 15, 5, 16, 6, 17, 7, 18, 8, 14, 9], dtype=int32)
out = out.sorted_indices()
out.indices # array([ 0, 12, 1, 10, 2, 11, 3, 13, 4, 14, 5, 15, 6, 16, 7, 17, 8, 18, 9, 14], dtype=int32)
我们可以看到，在排序之前，索引实际上是沿行反转的。换句话说，它们的顺序是最后一列在前，第一列在后。从前两个元素可以明显看出这一点:[12,0]。0对应于X的第一列中的3，因为3是分配给第一列的最小元素。12对应X中第二列的5。由于第一行占用10个不同的列，因此第二列(1)的最小元素的索引为10。第二个最小的(3)得到索引11，第三个最小的(5)得到索引12。排序后，索引按我们期望的顺序排列。
接下来我们看active_features_:
ohc.active_features_ # array([ 3, 10, 15, 33, 54, 55, 78, 79, 80, 99, 101, 103, 105, 107, 108, 112, 115, 119, 120])
注意，有19个元素，这对应于我们的数据中不同元素的数量(其中一个元素8重复了一次)。还要注意，这些是按顺序排列的。X第一列的特征相同，第二列的特征简单求和为100，对应ohc.feature_indices_[1]
回顾out.indices，我们可以看到最大列数为18，即1减去我们编码中的19个活动特征。稍微思考一下这里的关系，就会发现ohc.active_features_的索引对应于ohc.indices中的列号。有了这个，我们可以解码:
import numpy as np
decode_columns = np.vectorize(lambda col: ohc.active_features_[col])
decoded = decode_columns(out.indices).reshape(X.shape)
这给了我们:
array([[ 3, 105],
[ 10, 101],
[ 15, 103],
[ 33, 107],
[ 54, 108],
[ 55, 112],
[ 78, 115],
[ 79, 119],
[ 80, 120],
[ 99, 108]])
我们可以通过减去ohc.feature_indices_的偏移量来恢复原始特征值:
recovered_X = decoded - ohc.feature_indices_[:-1]
array([[ 3, 5],
[10, 1],
[15, 3],
[33, 7],
[54, 8],
[55, 12],
[78, 15],
[79, 19],
[80, 20],
[99, 8]])
请注意，您需要拥有X的原始形状，即(n_samples, n_features)。
给定sklearn.OneHotEncoder实例ohc, ohc.fit_transform或ohc.transform (out)输出的编码数据(scipy.sparse.csr_matrix)，以及原始数据(n_samples, n_feature)的形状，使用:
X:recovered_X = np.array([ohc.active_features_[col] for col in out.sorted_indices().indices])
.reshape(n_samples, n_features) - ohc.feature_indices_[:-1]
仅计算编码值与ohe.active_features_的点积。它适用于稀疏表示和密集表示。例子:
from sklearn.preprocessing import OneHotEncoder
import numpy as np
orig = np.array([6, 9, 8, 2, 5, 4, 5, 3, 3, 6])
ohe = OneHotEncoder()
encoded = ohe.fit_transform(orig.reshape(-1, 1)) # input needs to be column-wise
decoded = encoded.dot(ohe.active_features_).astype(int)
assert np.allclose(orig, decoded)
关键的洞察是，OHE模型的active_features_属性表示每个二进制列的原始值。因此，我们可以通过简单地计算active_features_的点积来解码二进制编码的数字。对于每个数据点，只有一个1，即原始值的位置。
用axis = 1 numpy.argmax()。
的例子:
ohe_encoded = np.array([[0, 0, 1], [0, 1, 0], [0, 1, 0], [1, 0, 0]])
ohe_encoded
> array([[0, 0, 1],
[0, 1, 0],
[0, 1, 0],
[1, 0, 0]])
np.argmax(ohe_encoded, axis = 1)
> array([2, 1, 1, 0], dtype=int64)
自scikit-learn的0.20版本以来，OneHotEncoder类的active_features_属性已被弃用，因此我建议依赖categories_属性。
下面的函数可以帮助您从单热编码的矩阵中恢复原始数据:
def reverse_one_hot(X, y, encoder):
reversed_data = [{} for _ in range(len(y))]
all_categories = list(itertools.chain(*encoder.categories_))
category_names = ['category_{}'.format(i+1) for i in range(len(encoder.categories_))]
category_lengths = [len(encoder.categories_[i]) for i in range(len(encoder.categories_))]
for row_index, feature_index in zip(*X.nonzero()):
category_value = all_categories[feature_index]
category_name = get_category_name(feature_index, category_names, category_lengths)
reversed_data[row_index][category_name] = category_value
reversed_data[row_index]['target'] = y[row_index]
return reversed_data
def get_category_name(index, names, lengths):
counter = 0
for i in range(len(lengths)):
counter += lengths[i]
if index < counter:
return names[i]
raise ValueError('The index is higher than the number of categorical values')
为了测试它，我创建了一个小数据集，其中包括用户给用户的评分
data = [
{'user_id': 'John', 'item_id': 'The Matrix', 'rating': 5},
{'user_id': 'John', 'item_id': 'Titanic', 'rating': 1},
{'user_id': 'John', 'item_id': 'Forrest Gump', 'rating': 2},
{'user_id': 'John', 'item_id': 'Wall-E', 'rating': 2},
{'user_id': 'Lucy', 'item_id': 'The Matrix', 'rating': 5},
{'user_id': 'Lucy', 'item_id': 'Titanic', 'rating': 1},
{'user_id': 'Lucy', 'item_id': 'Die Hard', 'rating': 5},
{'user_id': 'Lucy', 'item_id': 'Forrest Gump', 'rating': 2},
{'user_id': 'Lucy', 'item_id': 'Wall-E', 'rating': 2},
{'user_id': 'Eric', 'item_id': 'The Matrix', 'rating': 2},
{'user_id': 'Eric', 'item_id': 'Die Hard', 'rating': 3},
{'user_id': 'Eric', 'item_id': 'Forrest Gump', 'rating': 5},
{'user_id': 'Eric', 'item_id': 'Wall-E', 'rating': 4},
{'user_id': 'Diane', 'item_id': 'The Matrix', 'rating': 4},
{'user_id': 'Diane', 'item_id': 'Titanic', 'rating': 3},
{'user_id': 'Diane', 'item_id': 'Die Hard', 'rating': 5},
{'user_id': 'Diane', 'item_id': 'Forrest Gump', 'rating': 3},
]
data_frame = pandas.DataFrame(data)
data_frame = data_frame[['user_id', 'item_id', 'rating']]
ratings = data_frame['rating']
data_frame.drop(columns=['rating'], inplace=True)
如果我们正在构建一个预测模型，我们必须记住在编码之前从DataFrame中删除因变量(在本例中是评级)。
ratings = data_frame['rating']
data_frame.drop(columns=['rating'], inplace=True)
然后我们继续编码
ohc = OneHotEncoder()
encoded_data = ohc.fit_transform(data_frame)
print(encoded_data)
结果是:
(0, 2) 1.0
(0, 6) 1.0
(1, 2) 1.0
(1, 7) 1.0
(2, 2) 1.0
(2, 5) 1.0
(3, 2) 1.0
(3, 8) 1.0
(4, 3) 1.0
(4, 6) 1.0
(5, 3) 1.0
(5, 7) 1.0
(6, 3) 1.0
(6, 4) 1.0
(7, 3) 1.0
(7, 5) 1.0
(8, 3) 1.0
(8, 8) 1.0
(9, 1) 1.0
(9, 6) 1.0
(10, 1) 1.0
(10, 4) 1.0
(11, 1) 1.0
(11, 5) 1.0
(12, 1) 1.0
(12, 8) 1.0
(13, 0) 1.0
(13, 6) 1.0
(14, 0) 1.0
(14, 7) 1.0
(15, 0) 1.0
(15, 4) 1.0
(16, 0) 1.0
(16, 5) 1.0
编码后，我们可以使用上面定义的reverse_one_hot函数进行反转，如下所示:
reverse_data = reverse_one_hot(encoded_data, ratings, ohc)
print(pandas.DataFrame(reverse_data))
得到:
category_1 category_2 target
0 John The Matrix 5
1 John Titanic 1
2 John Forrest Gump 2
3 John Wall-E 2
4 Lucy The Matrix 5
5 Lucy Titanic 1
6 Lucy Die Hard 5
7 Lucy Forrest Gump 2
8 Lucy Wall-E 2
9 Eric The Matrix 2
10 Eric Die Hard 3
11 Eric Forrest Gump 5
12 Eric Wall-E 4
13 Diane The Matrix 4
14 Diane Titanic 3
15 Diane Die Hard 5
16 Diane Forrest Gump 3
如果特征比较密集，如[1,2,4,5,6]，缺少几个数字。然后，我们可以将它们映射到相应的位置。
>>> import numpy as np
>>> from scipy import sparse
>>> def _sparse_binary(y):
... # one-hot codes of y with scipy.sparse matrix.
... row = np.arange(len(y))
... col = y - y.min()
... data = np.ones(len(y))
... return sparse.csr_matrix((data, (row, col)))
...
>>> y = np.random.randint(-2,2, 8).reshape([4,2])
>>> y
array([[ 0, -2],
[-2, 1],
[ 1, 0],
[ 0, -2]])
>>> yc = [_sparse_binary(y[:,i]) for i in xrange(2)]
>>> for i in yc: print i.todense()
...
[[ 0. 0. 1. 0.]
[ 1. 0. 0. 0.]
[ 0. 0. 0. 1.]
[ 0. 0. 1. 0.]]
[[ 1. 0. 0. 0.]
[ 0. 0. 0. 1.]
[ 0. 0. 1. 0.]
[ 1. 0. 0. 0.]]
>>> [i.shape for i in yc]
[(4, 4), (4, 4)]
这是一个折衷的和简单的方法，但工作和容易逆转argmax()，例如:
>>> np.argmax(yc[0].todense(), 1) + y.min(0)[0]
matrix([[ 0],
[-2],
[ 1],
[ 0]])
如何单热编码
见https://stackoverflow.com/a/42874726/562769
import numpy as np
nb_classes = 6
data = [[2, 3, 4, 0]]
def indices_to_one_hot(data, nb_classes):
"""Convert an iterable of indices to one-hot encoded labels."""
targets = np.array(data).reshape(-1)
return np.eye(nb_classes)[targets]
如何反转
def one_hot_to_indices(data):
indices = []
for el in data:
indices.append(list(el).index(1))
return indices
hot = indices_to_one_hot(orig_data, nb_classes)
indices = one_hot_to_indices(hot)
print(orig_data)
print(indices)
给:
[[2, 3, 4, 0]]
[2, 3, 4, 0]
简短的回答是"否"。编码器接受你的分类数据，并自动将其转换为一组合理的数字。
更长的答案是"不自动"。但是，如果使用n_values参数提供显式映射，则可能可以在另一端实现自己的解码。关于如何做到这一点，请参阅文档中的一些提示。
也就是说，这是一个相当奇怪的问题。相反，你可能想使用DictVectorizerPandas方法:要将分类变量转换为二进制变量，pd.get_dummies可以做到这一点，要将它们转换回来，您可以使用pd.Series.idxmax()找到值为1的索引。然后，您可以映射到列表(根据原始数据索引)或字典。
import pandas as pd
import numpy as np
col = np.random.randint(1,5,20)
df = pd.DataFrame({'A': col})
df.head()
A
0 2
1 2
2 1
3 1
4 3
df_dum = pd.get_dummies(df['A'])
df_dum.head()
1 2 3 4
0 0 1 0 0
1 0 1 0 0
2 1 0 0 0
3 1 0 0 0
4 0 0 1 0
df_n = df_dum.apply(lambda x: x.idxmax(), axis = 1)
df_n.head()
0 2
1 2
2 1
3 1
4 3