【数据预处理】one hot编码（独热编码）

1、分类数据

在实际的应用场景中，有非常多的特征不是连续的数值变量，而是某一些离散的类别。比如用户的性别，用户的地址，用户的兴趣爱好等等一系列特征，都是一些分类值。这些特征一般都无法直接应用在需要进行数值型计算的算法里。

2、独热编码（one hot）

独热编码便是解决这个问题，其方法是使用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，其中只有一位有效。
如自然编码为：0，1
独热编码为：10，01 （两位中只有一位有效）

如数字字体识别0~9中，6的独热编码为：

0000001000（六位中只有一位有效）

3、独热编码的优点

①能够处理非连续型数值特征。
②在一定程度上也扩充了特征。比如性别本身是一个特征，经过one hot编码以后，就变成了男或女两个特征。

但是，当特征类别较多时，数据经过独热编码可能会变得过于稀疏。

4、独热编码原理

使用one-hot编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。
将离散型特征使用one-hot编码，可以会让特征之间的距离计算更加合理。我们常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。

比如，有