我刚开始使用scikit-learn库，并尝试用它来预测股票价格。我在阅读其文档时，卡在了解释OneHotEncoder()的部分。他们使用的代码如下：

>>> from sklearn.preprocessing import OneHotEncoder>>> enc = OneHotEncoder()>>> enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])  OneHotEncoder(categorical_features='all', dtype=<... 'numpy.float64'>,       handle_unknown='error', n_values='auto', sparse=True)>>> enc.n_values_array([2, 3, 4])>>> enc.feature_indices_array([0, 2, 5, 9])>>> enc.transform([[0, 1, 1]]).toarray()array([[ 1.,  0.,  0.,  1.,  0.,  0.,  1.,  0.,  0.]])

能否有人一步一步地向我解释这里发生了什么？我对One Hot Encoder的工作原理有清晰的理解，但无法弄明白这段代码是如何工作的。任何帮助都将不胜感激。谢谢！

回答：

首先，让我们写下你所期望的结果（假设你知道什么是One Hot Encoding）

未编码

f0 f1 f20, 0, 31, 1, 00, 2, 11, 0, 2

已编码

|f0|  |  f1 |  |   f2   |1, 0, 1, 0, 0, 0, 0, 0, 1 0, 1, 0, 1, 0, 1, 0, 0, 01, 0, 0, 0, 1, 0, 1, 0, 00, 1, 1, 0, 0, 0, 0, 1, 0

要得到已编码的结果：

enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]]),

如果你使用默认的n_values='auto'。使用默认值=’auto’，你是在指定你的特征（未编码的列）可能采取的值可以从传递给fit的数据列中推断出来。

这就引出了enc.n_values_

根据文档：

每个特征的值的数量。

enc.n_values_array([2, 3, 4])

以上意味着f0（第一列）可以取2个值（0, 1），f1可以取3个值（0, 1, 2），f2可以取4个值（0, 1, 2, 3）。

确实，这些是从未编码特征矩阵中的特征f1, f2, f3的值。

然后，

enc.feature_indices_array([0, 2, 5, 9])

根据文档：

特征范围的索引。原始数据中的特征i映射到特征_indices_[i]到feature_indices_[i+1]的特征（然后可能被active_features_屏蔽）。

给出的是特征f1, f2, f3在编码空间中可以采取的位置范围。

f1: [0, 1], f2: [2, 3, 4], f3: [5, 6, 7, 8]

将向量[0, 1, 1]映射到one hot编码空间（根据我们从enc.fit得到的映射）：

1, 0, 0, 1, 0, 0, 1, 0, 0

如何做到的？

第一个特征在f0，所以映射到位置0（如果元素是1而不是0，我们会将其映射到位置1）。

下一个元素1映射到位置3，因为f1从位置2开始，而元素1是f1可能取的第二个值。

最后，第三个元素1占据位置6，因为它是f2可能取的第二个值，而f2从位置5开始映射。

希望这能澄清一些问题。