大数据HCIE成神之路之数据预处理（6）——特征编码

1.1 独热编码

提问：什么是独热编码？
回答：独热编码是一种常用的数据编码方法，用于将分类变量转换为 二进制 的表示形式。它将每个类别表示为一个只包含 0和1 的二进制向量，其中每个类别对应一个维度，维度上的值为1表示该样本属于该类别，为0表示不属于该类别。

对于离散特征可以采用One-Hot编码的方式来处理，使用M位状态寄存器对M个状态进行编码，M个变量用M维表示，每个维度的数值或为1，或为0。

举例说明：

对于学历特征，可以将其取值 “小学”、“中学”、“本科”、“硕士” 和 “博士” 进行独热编码。下面是各个取值的独热编码示例：

"小学"：[1, 0, 0, 0, 0]
"中学"：[0, 1, 0, 0, 0]
"本科"：[0, 0, 1, 0, 0]
"硕士"：[0, 0, 0, 1