最近在看一些机器学习资料，发现使用起来真的蛮难。特征工程，如何有效地对数据进行预处理使得学习过程可以有效进行，是其中一个重要的难点。因为任何一个数据模型，都需要你准备相应的数据，错误的数据往往造成训练无法拟合（Fitting）。
在处理特征数据时，独热编码是一种常用的对离散特征进行处理的编码方式。本文根据个人理解，讨论为什么需要独热编码，它的好处是什么
分类数据
要了解独热编码啊，先理解什么是分类数据。顾名思义，这类数据往往不是直接以数值或向量化形式呈现的数据，其一般为具有实际含义的名称标签。例如，
- 某一列数据表示为‘宠物’。相应的值有“狗”、“猫”、“兔子”等
- 表示“城市”的数据值有“北京”、“上海”、“成都”等
这些数据值在特定机器学习训练中往往具有有限的类别。
分类数据的问题
一些诸如“决策树”算法的学习方法，可以直接利用这些分类数据而无需进行数据转化。但更多的机器学习算法，需要进行的是数字或向量运算，没有办法直接处理这些文字型标签。这意味着，这些文字型的分类数据需要一定的转化，编程机器学习算法可以处理的数字型。
如何进行转化？
从程序员直觉上讲，很简单嘛，类似C语言的枚举类型，每种类型赋一个数字的值。例如，狗=1，猫=2，兔子=3，……
对一些学习场景，这种编码或许足够了。但是这种简单粗暴的编码方式，忽视掉了数据类别之间的距离。例如，狗和兔子之间的差异，并不会比狗和猫之间的差异大。但枚举方式进行编码，往往把这些特征值做了排序，与实际状况并不相符，最后导致学习的结果受到影响。
而解决这种问题的方式就是独热编码。某种特征有N种值，那么值就可以编码为1*N的向量，向量取值有N中，每种取值向量有且仅有一位为1。例如，狗=[1,0,0]，猫=[0,1,0]，兔子=[0,0,1]。可以看出，这三个值的距离是相等的。这就解决了枚举方式编码带来的问题。
如何使用？
有许多现成的Python库可以进行独热编码:
- One-Hot
- scikit-learn
- …..
我们所需要做的就是根据相应的文档使用对应的API即可？
总结
本文大概介绍了独热编码的原理和使用场景。一般来说：
- 为什么使用独热编码：大部分机器学习算法需要数字输入输出，而文字型标签无法被处理，枚举方式的编码可能错误地体现特征值间关系
- 如何使用：SKlearn或Numpy有现成的API可以使用