Konvertieren array von Indizes 1-hot codiert numpy array

Array a definiert die Spalten der von null verschiedenen Elemente in den Ausgabe-array. Sie müssen auch die Definition der Zeilen und verwenden Sie dann fancy indexing:

>>> a = np.array([1, 0, 3])
>>> b = np.zeros((3, 4))
>>> b[np.arange(3), a] = 1
>>> b
array([[ 0.,  1.,  0.,  0.],
       [ 1.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  1.]])

Können Sie sklearn.Vorverarbeitung.LabelBinarizer:

Beispiel:

import sklearn.preprocessing
a = [1,0,3]
label_binarizer = sklearn.preprocessing.LabelBinarizer()
label_binarizer.fit(range(max(a)+1))
b = label_binarizer.transform(a)
print('{0}'.format(b))

Ausgabe:

[[0 1 0 0]
 [1 0 0 0]
 [0 0 0 1]]

Unter anderem können Sie initialisieren sklearn.preprocessing.LabelBinarizer() so, dass die Ausgabe von transform ist spärlich.

Falls Sie mit keras, es ist eine integrierte Dienstprogramm für die:

from keras.utils.np_utils import to_categorical   

categorical_labels = to_categorical(int_labels, num_classes=3)

Und es hat so ziemlich das gleiche wie @YXD Antwort (siehe source-code).

Hier ist eine Funktion, die wandelt ein 1-D-Vektor in einen 2-D-man-hot-array.

#!/usr/bin/env python
import numpy as np

def convertToOneHot(vector, num_classes=None):
    """
    Converts an input 1-D vector of integers into an output
    2-D array of one-hot vectors, where an i'th input value
    of j will set a '1' in the i'th row, j'th column of the
    output array.

    Example:
        v = np.array((1, 0, 4))
        one_hot_v = convertToOneHot(v)
        print one_hot_v

        [[0 1 0 0 0]
         [1 0 0 0 0]
         [0 0 0 0 1]]
    """

    assert isinstance(vector, np.ndarray)
    assert len(vector) > 0

    if num_classes is None:
        num_classes = np.max(vector)+1
    else:
        assert num_classes > 0
        assert num_classes >= np.max(vector)

    result = np.zeros(shape=(len(vector), num_classes))
    result[np.arange(len(vector)), vector] = 1
    return result.astype(int)

Unten finden Sie einige Beispiel für die Verwendung:

>>> a = np.array([1, 0, 3])

>>> convertToOneHot(a)
array([[0, 1, 0, 0],
       [1, 0, 0, 0],
       [0, 0, 0, 1]])

>>> convertToOneHot(a, num_classes=10)
array([[0, 1, 0, 0, 0, 0, 0, 0, 0, 0],
       [1, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 1, 0, 0, 0, 0, 0, 0]])

Nur zu erarbeiten, die ausgezeichnete Antwort von K3---rnc, hier ist eine allgemeinere version:

def onehottify(x, n=None, dtype=float):
    """1-hot encode x with the max value n (computed from data if n is None)."""
    x = np.asarray(x)
    n = np.max(x) + 1 if n is None else n
    return np.eye(n, dtype=dtype)[x]

Auch hier ist eine quick-and-dirty-benchmark, der Methode und eine Methode aus dem derzeit akzeptierte Antwort von YXD (leicht verändert, so dass Sie bieten die gleiche API-außer dass letzteres funktioniert nur mit 1D ndarrays):

def onehottify_only_1d(x, n=None, dtype=float):
    x = np.asarray(x)
    n = np.max(x) + 1 if n is None else n
    b = np.zeros((len(x), n), dtype=dtype)
    b[np.arange(len(x)), x] = 1
    return b

Letztere Methode ist ~35% schneller (MacBook Pro 13 2015), aber die erstere ist allgemein:

>>> import numpy as np
>>> np.random.seed(42)
>>> a = np.random.randint(0, 9, size=(10_000,))
>>> a
array([6, 3, 7, ..., 5, 8, 6])
>>> %timeit onehottify(a, 10)
188 µs ± 5.03 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
>>> %timeit onehottify_only_1d(a, 10)
139 µs ± 2.78 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

Solche Art der Codierung sind in der Regel Teil der numpy-array. Wenn Sie ein numpy-array wie dieses :

a = np.array([1,0,3])

dann es ist sehr einfache Art und Weise zu konvertieren, die auf 1-hot Kodierung

out = (np.arange(4) == a[:,None]).astype(np.float32)

Das ist es.

Verwenden Sie den folgenden code. Es funktioniert am besten.

def one_hot_encode(x):
"""
    argument
        - x: a list of labels
    return
        - one hot encoding matrix (number of labels, number of class)
"""
encoded = np.zeros((len(x), 10))

for idx, val in enumerate(x):
    encoded[idx][val] = 1

return encoded

Finden Sie hier P. S Sie brauchen nicht zu gehen in den link.

Hier ist eine Beispiel-Funktion, die ich schrieb, um dies zu tun, basierend auf den Antworten und meiner eigenen Anwendungsfall:

def label_vector_to_one_hot_vector(vector, one_hot_size=10):
    """
    Use to convert a column vector to a 'one-hot' matrix

    Example:
        vector: [[2], [0], [1]]
        one_hot_size: 3
        returns:
            [[ 0.,  0.,  1.],
             [ 1.,  0.,  0.],
             [ 0.,  1.,  0.]]

    Parameters:
        vector (np.array): of size (n, 1) to be converted
        one_hot_size (int) optional: size of 'one-hot' row vector

    Returns:
        np.array size (vector.size, one_hot_size): converted to a 'one-hot' matrix
    """
    squeezed_vector = np.squeeze(vector, axis=-1)

    one_hot = np.zeros((squeezed_vector.size, one_hot_size))

    one_hot[np.arange(squeezed_vector.size), squeezed_vector] = 1

    return one_hot

label_vector_to_one_hot_vector(vector=[[2], [0], [1]], one_hot_size=3)

Hier ist eine Räumlichkeit-unabhängige standalone-Lösung.

Diese konvertieren beliebiges N-dimensionales array arr des nicht-negative ganze zahlen in eine one-hot-N+1-dimensionalen array one_hot, wo one_hot[i_1,...,i_N,c] = 1 bedeutet arr[i_1,...,i_N] = c. Sie wiederherstellen können Sie die Eingabe über np.argmax(one_hot, -1)

def expand_integer_grid(arr, n_classes):
    """

    :param arr: N dim array of size i_1, ..., i_N
    :param n_classes: C
    :returns: one-hot N+1 dim array of size i_1, ..., i_N, C
    :rtype: ndarray

    """
    one_hot = np.zeros(arr.shape + (n_classes,))
    axes_ranges = [range(arr.shape[i]) for i in range(arr.ndim)]
    flat_grids = [_.ravel() for _ in np.meshgrid(*axes_ranges, indexing='ij')]
    one_hot[flat_grids + [arr.ravel()]] = 1
    assert((one_hot.sum(-1) == 1).all())
    assert(np.allclose(np.argmax(one_hot, -1), arr))
    return one_hot