私が1d numpy配列を持っているとしましょう

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

これを2d 1-hot配列としてエンコードしたい

b = array([[0,1,0,0], [1,0,0,0], [0,0,0,1]])

これを行う簡単な方法はありますか？迅速にわずかループよりもa一連の要素にbあります、。

配列aは、出力配列の非ゼロ要素の列を定義します。また、行を定義してから、ファンシーインデックスを使用する必要があります。

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

>>> values = [1, 0, 3]
>>> n_values = np.max(values) + 1
>>> np.eye(n_values)[values]
array([[ 0.,  1.,  0.,  0.],
       [ 1.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  1.]])

kerasを使用している場合、そのための組み込みユーティリティがあります。

from keras.utils.np_utils import to_categorical   

categorical_labels = to_categorical(int_labels, num_classes=3)

そして、それは@YXDの答えとほとんど同じです（source-codeを参照）。

これが私が便利だと思うものです：

def one_hot(a, num_classes):
  return np.squeeze(np.eye(num_classes)[a.reshape(-1)])

ここnum_classesはあなたが持っているクラスの数を表しています。したがってa、（10000、）の形状のベクトルがある場合、この関数はそれを（10000、C）に変換します。aはインデックスが0であることに注意してください。つまり、にone_hot(np.array([0, 1]), 2)なります[[1, 0], [0, 1]]。

まさにあなたが欲しかったものを私は信じています。

PS：ソースはシーケンスモデルです-deeplearning.ai

使用できます sklearn.preprocessing.LabelBinarizer：

例：

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))

出力：

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

とりわけsklearn.preprocessing.LabelBinarizer()、出力transformが疎になるように初期化することができます。

numpyの目の機能を使うこともできます：

numpy.eye(number of classes)[vector containing the labels]

1次元ベクトルを2次元の1ホット配列に変換する関数を次に示します。

#!/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)

以下に使用例をいくつか示します。

>>> 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]])

1ホットエンコーディングの場合

   one_hot_encode=pandas.get_dummies(array)

例えば

コーディングを楽しむ

短い答えはノーだと思います。nディメンションのより一般的なケースでは、これを思いつきました：

# For 2-dimensional data, 4 values
a = np.array([[0, 1, 2], [3, 2, 1]])
z = np.zeros(list(a.shape) + [4])
z[list(np.indices(z.shape[:-1])) + [a]] = 1

より良い解決策があるかどうか疑問に思っています-最後の2行でこれらのリストを作成する必要があるのが嫌いです。とにかく、私はいくつかの測定をtimeit行いましたが、numpyベースの（indices/ arange）と反復バージョンはほぼ同じように動作するようです。

K3 --- rncからの優れた答えについて詳しく説明するために、より一般的なバージョンを次に示します。

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]

また、このメソッドと、現在受け入れられているYXDの回答からのメソッドの簡単なベンチマークを以下に示します（わずかに変更されているため、後者は1D ndarrayでのみ機能することを除いて、同じAPIを提供します）。

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

後者の方法は約35％高速ですが（MacBook Pro 13 2015）、前者がより一般的です。

>>> 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)

次のコードを使用して、ワンホットベクトルに変換できます。

let xは、クラス0からある数の単一の列を持つ通常のクラスベクトルです。

import numpy as np
np.eye(x.max()+1)[x]

0がクラスでない場合。次に+1を削除します。

私は最近同じ種類の問題に出くわしました、そしてあなたが特定のフォーメーション内に入る数を持っている場合にのみ満足であることが判明した言った解決策を見つけました。たとえば、次のリストをワンホットエンコードする場合は、

all_good_list = [0,1,2,3,4]

先に進んでください。投稿されたソリューションはすでに上記で説明されています。しかし、このデータを検討するとどうなるでしょうか。

problematic_list = [0,23,12,89,10]

上記の方法でこれを行うと、90個のワンホットカラムになる可能性があります。これは、すべての回答にのようなものが含まれるためn = np.max(a)+1です。私のために機能し、あなたと共有したいより一般的な解決策を見つけました：

import numpy as np
import sklearn
sklb = sklearn.preprocessing.LabelBinarizer()
a = np.asarray([1,2,44,3,2])
n = np.unique(a)
sklb.fit(n)
b = sklb.transform(a)

私は誰かが上記の解決策と同じ制限に遭遇し、これが役に立つかもしれないと思います

そのようなタイプのエンコーディングは通常、numpy配列の一部です。次のような数の多い配列を使用している場合：

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

次に、それを1ホットエンコーディングに変換する非常に簡単な方法があります。

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

それでおしまい。

• pは2D ndarrayになります。
• 行の中で最も高い値を知り、そこに1を置き、それ以外の場所には0を置きます。

クリーンで簡単なソリューション：

max_elements_i = np.expand_dims(np.argmax(p, axis=1), axis=1)
one_hot = np.zeros(p.shape)
np.put_along_axis(one_hot, max_elements_i, 1, axis=1)

Neuraxleパイプラインステップの使用：

1. 例を設定する

import numpy as np
a = np.array([1,0,3])
b = np.array([[0,1,0,0], [1,0,0,0], [0,0,0,1]])

2. 実際の変換を行います

from neuraxle.steps.numpy import OneHotEncoder
encoder = OneHotEncoder(nb_columns=4)
b_pred = encoder.transform(a)

3. それが機能することを主張する

assert b_pred == b

ドキュメントへのリンク：neuraxle.steps.numpy.OneHotEncoder

上記の回答と私自身の使用例に基づいてこれを行うために私が書いた関数の例を次に示します。

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)

numpy演算子のみを使用して、補完のために単純な関数を追加します。

   def probs_to_onehot(output_probabilities):
        argmax_indices_array = np.argmax(output_probabilities, axis=1)
        onehot_output_array = np.eye(np.unique(argmax_indices_array).shape[0])[argmax_indices_array.reshape(-1)]
        return onehot_output_array

入力として確率行列を使用します。例：

[[0.03038822 0.65810204 0.16549407 0.3797123] ... [0.02771272 0.2760752 0.3280924 0.33458805]]

そして、それは戻ります

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

これは、次元に依存しないスタンドアロンのソリューションです。

これは、任意のN次元アレイ変換するarrワンホットN + 1次元アレイに非負の整数をone_hot、one_hot[i_1,...,i_N,c] = 1手段arr[i_1,...,i_N] = c。あなたは経由で入力を回復することができます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

次のコードを使用します。それは最もよく働きます。

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

PSで見つけました PSリンクにアクセスする必要はありません。