我是否必须对训练和测试数据集分别进行一次热编码？ [关闭]

Question

我正在处理一个分类问题，我已将我的数据分成训练集和测试集。

我的分类列很少（大约 4 -6），我正在考虑使用 pd.get_dummies 将分类值转换为 OneHotEncoding。

我的问题是我是否必须分别为训练和测试拆分进行 OneHotEncoding？如果是这种情况，我想我最好使用 sklearn OneHotEncoder，因为它支持 fit 和 transform 方法，对吧？

Answer 1

通常，您希望将测试集视为在训练期间没有它。在进行预测之前，您对训练集所做的任何转换都应该对测试集进行。所以是的，您应该单独进行转换，但要知道您正在应用相同的转换。

例如，如果测试集缺少其中一个类别，则仍应有一个用于缺失类别的虚拟变量（可在训练集中找到），因为您训练的模型仍会期望该虚拟变量.如果测试集有一个额外的类别，这可能应该使用一些“其他”类别来处理。

同样，当缩放连续变量时说[0,1]，您在缩放测试集时使用训练集的范围。这可能意味着新缩放的测试变量在[0,1] 之外。

---

为了完整起见，以下是 one-hot 编码的外观：

import pandas as pd
from sklearn.preprocessing import OneHotEncoder

### Correct
train = pd.DataFrame(['A', 'B', 'A', 'C'])
test = pd.DataFrame(['B', 'A', 'D'])

enc = OneHotEncoder(handle_unknown = 'ignore')
enc.fit(train)

enc.transform(train).toarray()
#array([[1., 0., 0.],
#       [0., 1., 0.],
#       [1., 0., 0.],
#       [0., 0., 1.]])

enc.transform(test).toarray()
#array([[0., 1., 0.],
#       [1., 0., 0.],
#       [0., 0., 0.]])


### Incorrect
full = pd.concat((train, test))

enc = OneHotEncoder(handle_unknown = 'ignore')
enc.fit(full)

enc.transform(train).toarray()
#array([[1., 0., 0., 0.],
#       [0., 1., 0., 0.],
#       [1., 0., 0., 0.],
#       [0., 0., 1., 0.]])

enc.transform(test).toarray()
#array([[0., 1., 0., 0.],
#       [1., 0., 0., 0.],
#       [0., 0., 0., 1.]])

请注意，对于不正确的方法，D 有一个额外的列（仅显示在测试集中）。在训练期间，我们根本不知道D，所以不应该有它的专栏。