机器学习中，常常在数据集中会遇到一些离散特征，对于这些离散特征相比连续特征要用不同的处理方法，常见的方法有LabelEncoder与OneHotEncoder。
LabelEncoder
LabelEncoder用来对离散型分类型特征值进行编码，可以对本文编码，也可以对数字编码。sklearn中也提供给相应的工具包以便使用：
sklearn.preprocessing.LabelEncoder
常用方法如下：
fit(y) ：训练 y数据集，与其他模型的fit方法类似。
fit_transform(y)：相当于先进行fit再进行转换，返回标签编码。
inverse_transform(y)：将标签编码返回为初始值。
transform(y) ：直接返回标签编码。
示例如下：
from sklearn.preprocessing import LabelEncoder #文字内容 le = LabelEncoder() le.fit_transform(['天津','北京','上海','南京','北京']) #array([3, 1, 0, 2, 1], dtype=int64) le.transform(['天津','北京','上海','南京','北京']) #array([3, 1, 0, 2, 1], dtype=int64) le.inverse_transform([3, 1, 0, 2, 1]) #array(['天津', '北京', '上海', '南京', '北京'], dtype='<U2') #数字内容 le.fit_transform([2,2,4,8,7]) #array([0, 0, 1, 3, 2], dtype=int64) le.transform([2,2,4,8,7]) #array([0, 0, 1, 3, 2], dtype=int64) le.inverse_transform([0, 0, 1, 3, 2]) #array([2, 2, 4, 8, 7])通过上面的实例可以看到，LabelEncoder既可以对文字内容编码，也可以对数字内容编码，都是以0开始的数字为不同的内容编码，相同的内容则用同一数字。但是当LabelEncoder的结果对于计算机处理数据时的效果并不是很好，此时会考虑onehot编码。
OneHotEncoder
OneHotEncoder同样是对离散特征编码，离散特征中有多少不同的值，就用多少维来表示该特征。这是与LabelEncoder最大的区别所在。sklearn提供的工具如下：
扫描二维码关注公众号，回复： 4868141 查看本文章
sklearn.preprocessing.OneHotEncoder(n_values=None, categorical_features=None, categories=None, sparse=True, dtype=<class ‘numpy.float64’>, handle_unknown=’error’)
（部分参数新版本可能取消，只需了解sparse、categories即可）
参数 含义 sparse 默认为True，如果设置为True将返回稀疏矩阵，否则将返回一个数组。 categories 默认为'auto'，从训练数据中自动确定类别。可选为list， categories[i]保存第i列中预期的类别。常用方法如下：
fit(y) ：训练 y数据集，与其他模型的fit方法类似。
fit_transform(y)：相当于先进行fit再进行转换，返回标签编码。
inverse_transform(y)：将标签编码返回为初始值。
transform(y) ：直接返回标签编码。
示例如下：
from sklearn.preprocessing import OneHotEncoder ohe = OneHotEncoder() x=[['天津'],['北京'],['上海'],['南京'],['北京']] ohe.fit_transform(x).toarray() #array([[0., 0., 0., 1.], # [0., 1., 0., 0.], # [1., 0., 0., 0.], # [0., 0., 1., 0.], # [0., 1., 0., 0.]]) ohe.transform(x).toarray() #array([[0., 0., 0., 1.], # [0., 1., 0., 0.], # [1., 0., 0., 0.], # [0., 0., 1., 0.], # [0., 1., 0., 0.]]) ohe.inverse_transform(array([[0., 0., 0., 1.], [0., 1., 0., 0.], [1., 0., 0., 0.], [0., 0., 1., 0.], [0., 1., 0., 0.]])) #array([['天津'], # ['北京'], # ['上海'], # ['南京'], # ['北京']], dtype=object)可以看到，与LabelEncoder不同的地方在于OneHotEncoder将内容编码为0，1的形式，LabelEncoder是将内容编辑为0，1，2，...的形式。为了使非偏序关系的变量取值不具有偏序性，并且到圆点是等距的。使用one-hot编码，让特征之间的距离计算更加合理。同时one-hot方法也有缺陷，当类别的数量很多时，特征空间会变得非常大，计算复杂度会变高，成本也会变大。
除此之外呢，pandas中的get_dummies()函数也具有与one-hot相同的功能，感兴趣的同学可以自行尝试~