特征工程数据预处理--基于SK-learn的One-Hot编码
一，One-Hot编码概念：
在数据处理和特征工程中，经常会遇到类型数据，如性别分为[男，女]（暂不考虑其他。。。。），国家分为[中国，日本，美国]等，我们通常将其转为数值带入模型，如[0,1], [1,0,-1]等，但模型往往默认为连续型数值进行处理，这样其实是违背我们最初设计的，也会影响模型效果。
独热编码便是解决这个问题，其方法是使用N位bit来对N个状态进行编码，每个状态都由他独立的bit位，并且在任意时候，其中只有一位有效（只有一个bit是1）。
如自然编码为：0，1
独热编码为：10，01
可以理解为对有m个取值的特征，经过独热编码处理后，转为m个二元特征，每次只有一个激活。
如数字字体识别0~9中，6的独热编码为：
0000 0010 00（下标index = 6 的bit位被激活，=1）
二，基于scikit-learn的One-Hot 编码示例
import numpy as np
import pandas as pd
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder()
enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])
#一个4行3列的数组，即有4个样本，3个特征；
print(enc.n_values_)
#每个特征的取值个数（第一列共有2个取值，第二列有3个，第三列有4个）
#输出：array([2, 3, 4])
print(enc.feature_indices_)
#独热编码后每个特征开始和结束的下标；
#输出：array([0, 2, 5, 9])
print(enc.transform([[1,0,2]]).toarray())
#对新拿到的[0,1,1]做独热编码，即有第一列是[1,0],第二列是[0,1,0]
#第三列是[0,1,0,0]，所以最终拼在一起得到它的独热编码就是[1,0,0,1,0,0,1,0,0]
#output:array([[ 1., 0., 0., 1., 0., 0., 1., 0., 0.]])三，用图片形式表示
print(enc.n_values_)
#每个特征的取值个数（第一列共有2个取值，第二列有3个，第三列有4个）
#输出：array([2, 3, 4])对应array[2,3,4]
第一列有 0,1 两种状态取值
第二列有0,1,2,三种状态取值
第三列有0,1,2,3 四种状态取值
print(enc.transform([[0,1,2]]).toarray())
#对新拿到的[0,1,2]做独热编码，即有第一列是[1,0],第二列是[0,1,0]
#第三列是[0,0,1,0]，所以最终拼在一起得到它的独热编码就是[1,0,0,1,0,0,0,1,0]
#output:array([[ 1. 0. 0. 1. 0. 0. 0. 1. 0.]])即：[0,1,2]
print(enc.feature_indices_)
#独热编码后每个特征开始和结束的下标；
#输出：array([0, 2, 5, 9]), 0,2,5分别就是上面第一个数字编码，第二个数字编码，第三个数字编码起始的index