特征变化--->标签到向量的转换（OneHotEncoder）

一、One-Hot Encoding

One-Hot编码，又称为一位有效编码，主要是采用 $N$ 位状态寄存器来对 $N$ 个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。

在实际的机器学习的应用任务中，特征有时候并不总是连续值，有可能是一些分类值，如性别可分为“male”和“female”。在机器学习任务中，对于这样的特征，通常我们需要对其进行特征数字化，如下面的例子：

有如下三个特征属性：

性别：["male"，"female"]
地区：["Europe"，"US"，"Asia"]
浏览器：["Firefox"，"Chrome"，"Safari"，"Internet Explorer"]

对于某一个样本，如["male"，"US"，"Internet Explorer"]，我们需要将这个分类值的特征数字化，最直接的方法，我们可以采用序列化的方式：[0,1,3]。但是这样的特征处理并不能直接放入机器学习算法中。

二、One-Hot Encoding的处理方法

对于上述的问题，性别的属性是二维的，同理，地区是三维的，浏览器则是思维的，这样，我们可以采用One-Hot编码的方式对上述的样本“["male"，"US"，"Internet Explorer"]”编码，“male”则对应着[1，0]，同理“US”对应着[0，1，0]，“Internet Explorer”对应着[0,0,0,1]。则完整的特征数字化的结果为：[1,0,0,1,0,0,0,0,1]。这样导致的一个结果就是数据会变得非常的稀疏。

One-Hot Encoding 作用也就是为了将特征数字化为一个特征向量

package Spark_MLlib

import org.apache.spark.ml.feature.{OneHotEncoder, StringIndexer}
import org.apache.spark.sql.SparkSession


object 特征变换_OneHotEncoder {
  val spark=SparkSession.builder().master("local[2]").appName("IndexToString").getOrCreate()
  import spark.implicits._

  def main(args: Array[String]): Unit = {
    val df=spark.createDataFrame(Seq(
      (0,"log"),
      (1,"text"),
      (2,"text"),
      (3,"soyo"),
      (4,"text"),
      (5,"log"),
      (6,"log"),
      (7,"log"),
      (8,"hadoop")
    )).toDF("id","label")
    val df2=spark.createDataFrame(Seq(
      (0,"log"),
      (1,"soyo"),
      (2,"soyo")
    )).toDF("id","label")
    val indexer=new StringIndexer().setInputCol("label").setOutputCol("label_index")
    val model=indexer.fit(df)
    val indexed1=model.transform(df)//这里测试数据用的是df
       indexed1.show()
    val indexed=model.transform(df2)//测试数据换为df2
    val encoder=new OneHotEncoder().setInputCol("label_index").setOutputCol("lable_vector").setDropLast(false)  //setDropLast：被编码为全0向量的标签也可以占有一个二进制特征
    val encodered1=encoder.transform(indexed1)
    encodered1.show()
    val encodered=encoder.transform(indexed)//(4,[2],[1.0]) //这里的4表示训练数据中有4中类型的标签
    encodered.show()
  }
}

结果:

+---+------+-----------+
| id| label|label_index|
+---+------+-----------+
| 0|   log|        0.0|
| 1| text|        1.0|
| 2| text|        1.0|
| 3| soyo|        2.0|
| 4| text|        1.0|
| 5|   log|        0.0|
| 6|   log|        0.0|
| 7|   log|        0.0|
| 8|hadoop|        3.0|
+---+------+-----------+

+---+------+-----------+-------------+
| id| label|label_index| lable_vector|
+---+------+-----------+-------------+
| 0|   log|        0.0|(4,[0],[1.0])|
| 1| text|        1.0|(4,[1],[1.0])|
| 2| text|        1.0|(4,[1],[1.0])|
| 3| soyo|        2.0|(4,[2],[1.0])|
| 4| text|        1.0|(4,[1],[1.0])|
| 5|   log|        0.0|(4,[0],[1.0])|
| 6|   log|        0.0|(4,[0],[1.0])|
| 7|   log|        0.0|(4,[0],[1.0])|
| 8|hadoop|        3.0|(4,[3],[1.0])|
+---+------+-----------+-------------+

+---+-----+-----------+-------------+
| id|label|label_index| lable_vector|
+---+-----+-----------+-------------+
| 0| log|        0.0|(4,[0],[1.0])|
| 1| soyo|        2.0|(4,[2],[1.0])|
| 2| soyo|        2.0|(4,[2],[1.0])|
+---+-----+-----------+-------------+