首先强调一下，本篇博客是我实验得出来的结论，要是错了，可以在评论区指正，嘻嘻
接下来我会介绍以下三个内容
- 为什么要用onehot
- 怎么用
为什么要用onehot:
假设你有一个这样的数据集，格式是csv或者arff格式：
| 体重 | 身高 | ... | class |
| 胖 | 1 5 0 | ... | 不好看 |
| 瘦 | 1 6 0 | ... | 还可以 |
| 有点胖 | 1 8 0 | ... | 帅 |
| 有点瘦 | 1 5 0 | ... | 还可以 |
你现在需要对这个数据构建一个分类器，挖掘一些有用的信息，此时你想到了sklearn(真是个错误的决定)，你会发现如果你把这个数据集直接当成数据矩阵numpy,输入sklearn中的分类器中，编译器会提示你，类型错误，无法把string(或者btype)类型转成float....
经过我查阅多方资料，我才明白，原来sklearn中的数据默认得是全数值类型。一个非常好又不方便的设定，好在：统一数据类型，不方便在：有得时候我们的数据就是数值，离散值，string类型混合的。那我们就来解决吧（当然，如果你换weka（java）这个机器学习库就没有这种奇怪的问题）
怎么用：
在讲怎么写onehot代码之前，我先简单介绍一下onehot方法，简单地说，onehot方法可以把刚刚上面的这个数据变成这个样子：
| 是否胖 | 是否瘦 | 是否有点胖 | 是否有点瘦 | 身高 | ... | class |
| 1 | 0 | 0 | 0 | 1 5 0 | ... | 不好看 |
| 0 | 1 | 0 | 0 | 1 6 0 | ... | 还可以 |
| 0 | 0 | 1 | 0 | 1 8 0 | ... | 帅 |
| 0 | 0 | 0 | 1 | 1 5 0 | ... | 还可以 |
从上面的数据，我们可以发现，onehot方法就是把离散取值（取名词）的属性裂变成多个属性（取值为01），这样就可以给sklearn计算了。
好的，接下来，我展示一下，具体的代码（使用onehot重新编码，并进行knn分类，然后返回十折交叉验证结果的代码）调用示例：
def do_knn(fea,lab,k):
# sdata=fea+lab
auc=0
#x是个矩阵
#arffdata = imp.fit_transform(arffdata)
#lab.reshape(-1,1).reshape(-1)#?????去掉它的多余括号
flo = [] # 存放数值型属性
str = [] # 存放名词性属性
colmn = fea.shape[1] # 存放列数
raw = fea.shape[0] # 存放行数
strnumber = 0#判断是否存在名词性属性
flonumber=0
for i in range(colmn):
if type(fea[0][i]) == bytes or type(fea[0][i]) == np.bytes_:
str.append(fea[:, i])
strnumber += 1
else:
flo.append(fea[:, i])
flonumber+=1
flo = np.array(flo).T
str = np.array(str).T
features=np.random.rand(1)#之后重新赋值
if strnumber != 0 and flonumber != 0:
enc = OneHotEncoder()
enc.fit(str)
str = enc.transform(str).toarray()
str = np.array(str)
features = np.concatenate((flo, str), 1)
if strnumber==0:
features = flo
if flonumber==0:
enc = OneHotEncoder()
enc.fit(str)
str = enc.transform(str).toarray()
features = np.array(str)
knn = KNeighborsClassifier(n_neighbors=k)
scores = cross_val_score(knn, features, lab, cv=5, scoring='accuracy')
auc=sum(scores)/len(scores)
#print(lab)#似乎是因为btype类型的原因
return auc###auc有时居然是空的
代码片段有点长，那是因为这个方法用起来真的不方便（以前的版本是很方便，只需要一行就能实现，后来sklearn把一个关键的函数去掉了。。）
代码解释说明：这个函数是计算一组数据进行knn分类方法并返回十折交叉验证的平均auc的函数。输入的fea是数据的特征（属性），输入的lab是数据的类别，所以这段代码是对fea进行数值化处理的。
关键的代码是这个：
enc = OneHotEncoder()
enc.fit(str)
str = enc.transform(str).toarray()
features = np.array(str)
首先，创建一个onehotencoder对象（方法），然后让这个方法去学str（把fea的所有非数值类取出来，存放在str中）矩阵中的信息（每个属性的取值有几种），再通过transfrom函数就可以把非数值得矩阵转成纯数值的数据矩阵。
补充说明：
上面的代码中，我先对数据集的属性矩阵进行了一个评定，看看这个数据的属性含不含非数值类型，并把数值型属性和非数值属性分开，最后调用onehot方法把非数值属性的矩阵转成纯数值矩阵，最后再把这两个矩阵拼接，构成数据集的完整属性矩阵features,最后利用这个featurs和lab得到了分类的结果。
我这么做的原因是因为，onehot方法以前的版本是可以选择哪一列需要数值化 的，方法是这样 enc=onehotencoder(categories
_featuires=[1,2]),这样的onehot就可以一行实现一个数据矩阵中的第一列和第二列数值化，真的是很方便，但是，不知道为什么，我这个版本把这种这么好的输入参数去掉了。。。。。。。所以他默认就是全部数值化，这样就会导致，如果你有一个属性是身高，取值有148.2，145.6，170.9等等，那么他就会裂变出 是否148.2，是否145.6.......这么多属性。。。。。所以我才做得这么麻烦。
要是你们知道怎么快速进行onehot方法（可以选择那一列裂变），可以在评论区告诉我呀，感谢感谢
、