在机器学习处理数据的时候，有时候需要把原始的数据集转换成OneHot向量的形式，模型才能够进一步训练，比如朴素贝叶斯模型等。这里整理两种把原始数据转换为one-hot向量的方式：

第一种是使用sklearn.preprocessing中的LabelEncoder和OneHotEncoder进行编码

看下面的例子：

import numpy as np
import pandas as pd
from sklearn.preprocessing import LabelEncoder, OneHotEncoder

X_train = np.array([[1, 'S'],
                   [1, 'L'],
                   [1, 'M'],
                   [1, 'M'],
                   [1, 'S'],
                   [2, 'L'],
                   [2, 'S'],
                   [2, 'S'],
                   [2, 'L'],
                   [2, 'L'],
                   [2, 'M'],
                   [3, 'M'],
                   [3, 'L'],
                   [3, 'S'],
                   [3, 'M'],
                   [3, 'M']
                   ]
                  )

Y_train = np.array([-1, 1, 1, -1, -1, 1, 1, -1, 1, -1, 1, 1, 1, 1, -1, 1])
X_test = np.array([2, 'S'])

# 如果想调用sklearn中的贝叶斯模型对X_test进行分类，需要先把训练集和测试集的数据处理一下
data_new = np.vstack((X_train, X_test))     # 合并数据， 采用相同的处理方式

# 下面采用sklearn中的LabelEncoder和OneHotEncoder进行转换
le = LabelEncoder()
data_new[:, 1] = le.fit_transform(data_new[:, 1])
#print(data_new)
enc = OneHotEncoder()
data_new = enc.fit_transform(data_new).toarray()

看一下结果：
[[1. 0. 0. 0. 0. 1.]
[1. 0. 0. 1. 0. 0.]
[1. 0. 0. 0. 1. 0.]
[1. 0. 0. 0. 1. 0.]
[1. 0. 0. 0. 0. 1.]
[0. 1. 0. 1. 0. 0.]
[0. 1. 0. 0. 0. 1.]
[0. 1. 0. 0. 0. 1.]
[0. 1. 0. 1. 0. 0.]
[0. 1. 0. 1. 0. 0.]
[0. 1. 0. 0. 1. 0.]
[0. 0. 1. 0. 1. 0.]
[0. 0. 1. 1. 0. 0.]
[0. 0. 1. 0. 0. 1.]
[0. 0. 1. 0. 1. 0.]
[0. 0. 1. 0. 1. 0.]
[0. 1. 0. 0. 0. 1.]]
[[0. 1. 0. 0. 0. 1.]]

# 提取训练集合测试集
X_train_new = data_new[:X_train.shape[0],:]
X_test_new = data_new[X_train.shape[0]:, :]

# 然后构造高斯模型就可以进行分类了
clf = GaussianNB()
clf.fit(X_train_new, Y_train)
y_predict = clf.predict(X_test_new)
print("{} 被分类为 {}".format(X_test, y_predict))     #  -1
print("分类概率:{}".format(clf.predict_proba(X_test_new)))   # 分类概率:[[0.74872296 0.25127704]]

这样就完成了一个小的分类的例子， 当然例子可能不高大上，但是这种转换的方式思想比较重要， 要会用LabelEncoder和OneHotEncoder。当然，还有一种简单的方式， 就是pd.DataFrame.get_dummies()

第二种方式， 使用pd.DataFram.get_dummies()进行转换

这种方式比较简单， 还是上面的例子，看看使用pd.DataFrame.get_dummies()

print(data)
#
[['1' 'S']
 ['1' 'L']
 ['1' 'M']
 ['1' 'M']
 ['1' 'S']
 ['2' 'L']
 ['2' 'S']
 ['2' 'S']
 ['2' 'L']
 ['2' 'L']
 ['2' 'M']
 ['3' 'M']
 ['3' 'L']
 ['3' 'S']
 ['3' 'M']
 ['3' 'M']
 ['2' 'S']]
 #
 # 下面进行转换
pddata = pd.DataFrame(data)
new_data = pd.get_dummies(pddata)
new_data = new_data.values
[[1. 0. 0. 0. 0. 1.]
 [1. 0. 0. 1. 0. 0.]
 [1. 0. 0. 0. 1. 0.]
 [1. 0. 0. 0. 1. 0.]
 [1. 0. 0. 0. 0. 1.]
 [0. 1. 0. 1. 0. 0.]
 [0. 1. 0. 0. 0. 1.]
 [0. 1. 0. 0. 0. 1.]
 [0. 1. 0. 1. 0. 0.]
 [0. 1. 0. 1. 0. 0.]
 [0. 1. 0. 0. 1. 0.]
 [0. 0. 1. 0. 1. 0.]
 [0. 0. 1. 1. 0. 0.]
 [0. 0. 1. 0. 0. 1.]
 [0. 0. 1. 0. 1. 0.]
 [0. 0. 1. 0. 1. 0.]
 [0. 1. 0. 0. 0. 1.]]
[[0. 1. 0. 0. 0. 1.]]

# 后面建立模型的，和上面的一样了， 这种方式转换成one-hot比较快

小总一下：

• 把原数据转换成one-hot表示，有两种方式：

• 一种是借助sklearn.preprocessing中的LabelEncoder和OneHotEncoder函数进行转换
• 一种是先把数据转换成DataFrame结构，然后用pd.getdummies进行转换，再用pd.DataFrame.values获取到值，得到X_train, X_test

在机器学习中，这个还是比较常用的。

参考链接：
pandas.get_dummies 的用法
数据预处理之OneHotEncoder和LabelEncoder编码