NumPy에서 인덱스 배열을 원핫 인코딩 배열로 변환
1D 배열의 지수를 지정하면:
a = array([1, 0, 3])
이것을 2D 어레이로 원핫 인코딩합니다.
b = array([[0,1,0,0], [1,0,0,0], [0,0,0,1]])
영점 배열을 만듭니다.b충분한 열이 있어야 합니다.a.max() + 1.
그러면 각 행에 대해i, 를 설정합니다.a[i]까지 제열하다.1.
>>> 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 를 사용하고 있는 경우는, 다음과 같은 유틸리티가 짜넣어져 있습니다.
from keras.utils.np_utils import to_categorical
categorical_labels = to_categorical(int_labels, num_classes=3)
도움이 되는 것은 다음과 같습니다.
def one_hot(a, num_classes):
return np.squeeze(np.eye(num_classes)[a.reshape(-1)])
여기서num_classes는, 수강하고 있는 클래스의 수를 나타냅니다.그래서 만약에a(10000,)의 형상을 가진 벡터를 (10000,C)로 변환합니다.주의:a즉, 0점입니다.one_hot(np.array([0, 1]), 2)줄 것이다[[1, 0], [0, 1]].
네가 원하는 게 바로 그거야
numpy의 눈 기능을 사용할 수도 있습니다.
numpy.eye(number of classes)[vector containing the labels]
다음을 사용할 수 있습니다.
예:
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))
출력:
[[0 1 0 0]
[1 0 0 0]
[0 0 0 1]]
특히, 초기화할 수 있습니다.sklearn.preprocessing.LabelBinarizer()그 결과물이transform희박합니다.
1-핫 인코딩의 경우
one_hot_encode=pandas.get_dummies(array)
코딩을 즐기다
다음 코드를 사용하여 원핫 벡터로 변환할 수 있습니다.
x는 0 ~ 몇 개의 클래스가 있는 단일 컬럼을 가진 일반 클래스 벡터입니다.
import numpy as np
np.eye(x.max()+1)[x]
0이 클래스가 아닌 경우 +1을 삭제합니다.
여기 1차원 벡터를 2차원 원핫 어레이로 변환하는 기능이 있습니다.
#!/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)
다음은 사용 예를 제시하겠습니다.
>>> 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]])
제 생각에 짧은 대답은 '아니오'입니다.의 보다 일반적인 케이스의 경우n제가 생각해낸 것은 다음과 같습니다.
# 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
더 좋은 해결책이 없을까 생각하고 있습니다.마지막 두 줄에 목록을 작성해야 하는 것은 마음에 들지 않습니다.아무튼 제가 치수를 좀 쟀는데timeit그리고 그 사람은numpy베이스(indices/arange)와 반복 버전은 거의 동일하게 동작합니다.
K3-rnc의 훌륭한 답변을 자세히 설명하자면, 보다 일반적인 버전을 다음에 제시하겠습니다.
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]
또한 이 방법의 간단한 벤치마크와 YXD가 현재 수용하고 있는 답변에서 얻은 방법을 소개합니다(약간 변경되어 YXD는 1D ndarray에서만 동작하는 것을 제외하고 동일한 API를 제공합니다).
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
후자의 방법이 최대 35% 더 빠르지만(MacBook Pro 13 2015), 전자가 더 일반적입니다.
>>> 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)
def one_hot(n, class_num, col_wise=True):
a = np.eye(class_num)[n.reshape(-1)]
return a.T if col_wise else a
# Column for different hot
print(one_hot(np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 9, 9, 9, 9, 8, 7]), 10))
# Row for different hot
print(one_hot(np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 9, 9, 9, 9, 8, 7]), 10, col_wise=False))
최근에 같은 종류의 문제에 부딪혔는데, 그 해결방법은 당신이 특정한 형태 안에 있는 숫자를 가지고 있어야만 만족할 수 있다는 것을 알게 되었습니다.예를 들어, 다음 목록을 원핫 인코딩하는 경우:
all_good_list = [0,1,2,3,4]
계속해 주세요.투고된 솔루션은 이미 위에 기재되어 있습니다.하지만 이 데이터를 고려한다면 어떨까요?
problematic_list = [0,23,12,89,10]
위에서 설명한 방법으로 이 작업을 수행하면 90개의 핫 열이 생성됩니다.에는 '아까부터'와 같은 때문입니다.n = np.max(a)+1보다 범용적인 솔루션을 발견하여 공유하고자 합니다.
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)
위의 솔루션에서도 같은 제한이 발생하여 도움이 될 수 있기를 바랍니다.
이러한 유형의 부호화는 보통 numpy 배열의 일부입니다.다음과 같은 numpy 어레이를 사용하는 경우:
a = np.array([1,0,3])
그것을 원핫 인코딩으로 변환하는 매우 간단한 방법이 있습니다.
out = (np.arange(4) == a[:,None]).astype(np.float32)
바로 그겁니다.
- p는 2nd 어레이가 됩니다.
- 어떤 값이 연속해서 가장 높은지 알고 싶습니다.이 값을 1로 하고 다른 모든 값을 0으로 합니다.
깔끔하고 쉬운 솔루션:
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)
「 」를 하고 있는 tensorflow, 다음이 있습니다.
import tensorflow as tf
import numpy as np
a = np.array([1, 0, 3])
depth = 4
b = tf.one_hot(a, depth)
# <tf.Tensor: shape=(3, 3), dtype=float32, numpy=
# array([[0., 1., 0.],
# [1., 0., 0.],
# [0., 0., 0.]], dtype=float32)>
가장 쉬운 솔루션이 조합되어 있습니다.np.take ★★★★★★★★★★★★★★★★★」np.eye
def one_hot(x, depth: int):
return np.take(np.eye(depth), x, axis=0)
works에서 x어떤 형태든.
위의 답변과 자신의 사용 사례를 바탕으로 작성한 기능의 예를 다음에 나타냅니다.
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 연산자만 사용하여 간단한 함수를 추가합니다.
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
확률 행렬을 입력으로 사용합니다. 예:
[[0.03038822 0.65810204 0.16549407 0.3797123 ] ...[0.02771272 0.2760752 0.3280924 0.33458805]]
그리고 그것은 돌아올 것이다.
[[0 1 0 0] ...[0 0 0 1]]
다음은 차원에 구애받지 않는 독립형 솔루션입니다.
됩니다.arr이 N 배열로 한다.one_hot서, snowledge.one_hot[i_1,...,i_N,c] = 1「」를 의미합니다.arr[i_1,...,i_N] = c 를 입력을 할 수 .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
다음 코드를 사용합니다.가장 잘 작동한다.
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
여기서 찾았어, P.S 링크에 접속할 필요가 없습니다.
Neuraxle 파이프라인 단계 사용:
- 예시를 설정하다
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]])
- 실제 변환 실행
from neuraxle.steps.numpy import OneHotEncoder
encoder = OneHotEncoder(nb_columns=4)
b_pred = encoder.transform(a)
- 효과가 있다고 주장하다
assert b_pred == b
문서에 대한 링크: neurolaxle.steps.numpy.One Hot Encoder
언급URL : https://stackoverflow.com/questions/29831489/convert-array-of-indices-to-one-hot-encoded-array-in-numpy
'source' 카테고리의 다른 글
| php 문자열 연결, 성능 (0) | 2022.09.23 |
|---|---|
| 속성 Javadoc 작성 방법 (0) | 2022.09.23 |
| 문자열에서 각 단어의 첫 글자를 가져옵니다. (0) | 2022.09.23 |
| PDO가 bool(false) 파라미터를 string("?)으로 변환하는 이유는 무엇입니까? (0) | 2022.09.23 |
| VueX 스토어가 여러 유닛 테스트에 걸쳐 상태를 유지하는 이유는 무엇입니까? (0) | 2022.09.23 |