我发现最简单的解决方案结合np。拿着和眼睛

def one_hot(x, depth: int):
  return np.take(np.eye(depth), x, axis=0)

对任何形状的x都成立。

如果使用tensorflow，则存在one_hot():

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)>

我认为简短的答案是否定的。对于n维的更一般的情况，我想到了这个:

# 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

我想知道是否有更好的解决方案——我不喜欢我必须在最后两行创建这些列表。不管怎样，我用timeit做了一些测量，似乎基于numpy的(索引/范围)和迭代版本的表现是一样的。

我最近遇到了一个类似的问题，发现只有当你的数字符合特定的形式时，答案才令人满意。例如，如果你想单热编码以下列表:

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

继续吧，上面已经提到了发布的解决方案。但如果考虑到这些数据:

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

如果使用上面提到的方法，最后可能会得到90个单一热列。这是因为所有答案都包含n = np.max(a)+1。我找到了一个更通用的解决方案，想和你们分享:

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)

我希望有人遇到上述解决方案的相同限制，这可能会派上用场

以下是我认为有用的方法:

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

这里num_classes表示您拥有的类的数量。如果你有一个形状为(10000，)的向量，这个函数将它转换为(10000,C)注意，a是零索引，即one_hot(np。数组([0,1])，2)将给出[[1,0]，[0,1]]。

我相信这正是你想要的。

PS:源代码是Sequence models - deeplearning.ai

>>> 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.]])