问题类别:数据预处理 使用工具: python pytorch scikit-learn 问题内容: 各位大大好，最近在研究对於资料处理的部分， 在面对无序特徵(nominal feature时)， 我们通常习惯使用one-hot encoding的技巧来处理我们的数据。 将一个特徵(例如颜色)拆成n个特徵(红，橙，黄...)， 再藉由二元的0跟1来表示。 那想请教的是，如果做处理类似的特徵时， 可以将one-hot encoding所产生的稀疏矩阵合并使用吗？ 或是换句话说，可以对一个属於多类别的list进行one-hot encoding 以下举个简单的例子 先以常见的颜色问题举例，假设我们在描述衣服的颜色特徵， 我们会将以下特徵： 颜色 红 黄 蓝 转换成 颜色红 颜色黄 颜色蓝 [1 0 0] [0 1 0] [0 0 1] 那我想请教的是，如果今天衣服有多个颜色呢？ 例如： 颜色 红蓝相间 红黄相间 黄蓝相间 我的脑海中主要出现三种方法 想请教大大们是否可行或是有哪些优缺? 方法1: 区分成颜色1 颜色2 这样使用one-hot encoding就会变成 颜色1红 颜色1黄 颜色1蓝 颜色2红 颜色2黄 颜色2蓝 [1 0 0 0 0 1] . . . 思考：这种方法应该是可行，只是如果遇到颜色很多时， 可能会产生参数过大的问题，且产生的矩阵会太稀疏。 方法2: 既然都是在描写颜色特徵，能否直接在同一个one-hot encoding的矩阵中描述。 颜色红 颜色黄 颜色蓝 [1 0 1] . . . 思考：这样可以避免掉方法1可能产生的问题， 只是不知道能不能将one-hot encoding这样子使用？ 我目前的想法是觉得应该可行，因为1跟0是代表是与否而已(? 想请问这样的数据处理是否会产生问题？ 方法3: 基本上混合了方法1与方法2， 在同一个one-hot encoding中表示， 但是是形成一个多维的矩阵来表示 颜色红 颜色黄 颜色蓝 [1 0 0 0 0 1] 思考：如上所示，用一个二维矩阵来表示衣服的全部颜色， 一列表示了一个颜色，这是我在网路上看到有人尝试过的方法， 但比较疑惑的是，如果衣服的颜色很多，会使列数增加， 是否又会导致问题一的问题，加上其他的特徵如果都是一维的(例如衣服的价钱，尺码) 这样是否会导致输入参数的维度不一致？ 以上是我目前能想到的三个方法 不知道各位大大有什麽想法 目前倾向於使用方法2 因为我想要研究的题目 资料数量会很庞大 怕使用方法1与3会使得资料过於庞大 不知道方法2是否可行呢？ 或是各位大大有没有什麽其他的处理方法呢？ 在此先感谢资料科学版的各位大大 祝大家新年快乐 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 39.10.106.40 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DataScience/M.1549459747.A.BB5.html ※ 编辑: karco (118.233.179.85), 02/06/2019 23:16:28 感谢两位大大回覆 关於p大的留言 目前想实作的应用是原子的id 想藉由one-hot encoding来表示原子间的邻居关系 所以应该可以避免掉类似渐层色的问题 当然还是一边搜集更多原始资料中 另外针对y大的回覆，所以特徵也适用multilabel的方法罗? 一开始以为只能应用在label的处理上 感谢解答 ※ 编辑: karco (118.233.179.85), 02/07/2019 23:45:04