刘辉玲 陶 洁 邱 磊

(武汉船舶职业技术学院，湖北武汉 430050)

在数据处理过程中，诸多的类别型数据常采用文本数据的形式，除了决策树等少量模型之外，其他模型如逻辑回归、支持向量机等一般都无法直接使用，其处理方式是将文本数据转换成数值数据。形如{"男","女"}、{"计算机系","数学系","物理系"……,"经济系","管理系"}等集合形式的类别值，在表征为数值数据时，其常用方式采用标签编码(Label encoding)方式，是按类别值在集合中的位置顺序赋予相应的值，一个含N个类别的集合，采用[0, N-1]区间内连续整数予以编号。如0表示计算机系，1表示数学系，2表示物理系，依次类推。类别值数据经过序号编码之后，其本质依然是非连续数据。若直接使用，较容易被当作为连续数值型数据进行处理，除非编码得到的数据连续性有实际意义。 One-hot编码是解决这个问题的有效方式之一, 对于类别值数据采用One-hot编码作数据预处理之后，其在相似度或距离计算之间更为合理，对相关的机器模型适用性更好，可用度增强[1-2]。

1 One-hot编码

对于有N种类别值的集合，One-hot编码(独热编码)采用长度为N位的状态寄存器来对每一个类别值进行编码，每个类别值对应一个独立的寄存器位，在任意时刻只有一个寄存器位为1，其余为0[3-4]。故One-hot编码又称一位有效编码。以{"中","俄","美","英","法"}为例，其编码如表1所示。

表1 One-hot编码示例

这5种类别值的编码分别是[1,0,0,0,0], [0,1,0,0,0], [0,0,0,1,0], [0,0,0,0,1], [0,0,1,0,0]。若类别值集合长度为N，则每种类别值的One-hot编码是一个长度为N的向量。在任何情况下，每个向量中只有1个分量为1，其他分量为0，从而保证了唯一性。