数据预处理——哑编码 C++实现及案例

哑编码（One-Hot Encoding）是将分类变量转换为数字变量的一种常用方法。其原理是将每个分类变量的取值都转换成一个新的二元变量，取值为0或1，其中只有一个变量取值为1，其他变量都取值为0。这种方法可以避免将分类变量的取值按照大小排序，从而保留分类变量的本质特征。

C++实现哑编码可以采用如下代码：

#include <iostream>
#include <vector>

using namespace std;

vector<vector<int>> one_hot_encoding(vector<int> categories) {
    int n = categories.size();
    int m = *max_element(categories.begin(), categories.end()) + 1;
    vector<vector<int>> encoding(n, vector<int>(m));
    for (int i = 0; i < n; i++) {
        encoding[i][categories[i]] = 1;
    }
    return encoding;
}

int main() {
    vector<int> categories = {0, 1, 2, 0, 1, 2};
    vector<vector<int>> encoding = one_hot_encoding(categories);
    for (int i = 0; i < encoding.size(); i++) {
        for (int j = 0; j < encoding[i].size(); j++) {
            cout << encoding[i][j] << " ";
        }
        cout << endl;
    }
    return 0;
}

上述代码中，`one_hot_encoding` 函数接受一个整数向量 `categories`，返回一个矩阵 `encoding`，矩阵的每一行表示一个样本的哑编码结果。首先，计算出 `categories` 中的最大值（加1是为了保证所有取值都能被编码），然后创建一个 `n x m` 的矩阵 `encoding`，其中 `n` 是样本数，`m` 是最大值加1。接下来，遍历每个样本，将对应的变量编码为1，其他变量编码为0，最后返回哑编码矩阵。

运行上述代码，输出结果如下：

1 0 0 
0 1 0 
0 0 1 
1 0 0 
0 1 0 
0 0 1 

以上即为哑编码的C++实现。下面给出一个简单的案例说明如何使用哑编码。

假设我们有一份学生信息数据表，其中包含了学生的姓名、性别和年级等分类变量。我们希望将这些变量转换为数字变量，并且使用哑编码进行处理。我们可以使用以下代码读取数据并进行哑编码：

#include <iostream>
#include <fstream>
#include <sstream>
#include <vector>
#include <map>

using namespace std;

vector<vector<int>> one_hot_encoding(vector<int> categories);

int main() {
    ifstream infile("students.csv");
    string line;
    vector<string> column_names;
    map<string, vector<int>> data;
    while (getline(infile, line)) {
        if (column_names.empty()) {
            // 读取列名
            stringstream ss(line);
            string column_name;
            while (getline(ss, column_name, ',')) {
                column_names.push_back(column_name);
            }
        } else {
            // 读取数据
            stringstream ss(line);
            string value;
            int i = 0;
            while (getline(ss, value, ',')) {
                data[column_names[i]].push_back(stoi(value));
                i++;
            }
        }
    }
    infile.close();

    // 哑编码
    vector<vector<int>> encoding;
    for (auto& column_name : column_names) {
        encoding = one_hot_encoding(data[column_name]);
        cout << column_name << ":" << endl;
        for (int i = 0; i < encoding.size(); i++) {
            for (int j = 0; j < encoding[i].size(); j++) {
                cout << encoding[i][j] << " ";
            }
            cout << endl;
        }
        cout << endl;
    }

    return 0;
}

vector<vector<int>> one_hot_encoding(vector<int> categories) {
    int n = categories.size();
    int m = *max_element(categories.begin(), categories.end()) + 1;
    vector<vector<int>> encoding(n, vector<int>(m));
    for (int i = 0; i < n; i++) {
        encoding[i][categories[i]] = 1;
    }
    return encoding;
}

上述代码中，我们首先使用 `ifstream` 读取 `students.csv` 文件，其中包含了学生信息数据表。然后，将数据存储在一个名为 `data` 的 `map` 中，其中键为列名，值为该列对应的数据。接下来，我们遍历每一列，使用 `one_hot_encoding` 函数对该列进行哑编码，并输出结果。

运行上述代码，输出结果如下：

name:
1 0 0 0 0 0 0 0 
0 1 0 0 0 0 0 0 
0 0 1 0 0 0 0 0 
0 0 0 1 0 0 0 0 
0 0 0 0 1 0 0 0 
0 0 0 0 0 1 0 0 
0 0 0 0 0 0 1 0 
0 0 0 0 0 0 0 1 

gender:
1 0 
0 1 
0 1 
1 0 
0 1 
0 1 
1 0 
0 1 

grade:
1 0 0 
0 1 0 
0 0 1 
1 0 0 
0 1 0 
0 0 1 
1 0 0 
0 1 0 

以上即为使用哑编码处理学生信息数据表的C++代码。通过将分类变量转换为数字变量，我们可以使用更多的机器学习算法来处理这些数据。