如何基于已知目标索引将整数数组独热编码为包含缺失索引的NumPy矩阵？

给定NumPy数组 [5, 2, 4, 6, 3]，期望得到如下独热编码矩阵：

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

使用Pandas的pd.get_dummies(original_array).values方法看似简单，但存在一个缺陷：最终矩阵不会包含缺失索引对应的列（如本例中的0、1）。若预先已知目标列的完整索引范围（此处为0到6的所有整数），请问从初始数组出发，生成上述矩阵的最高效方法是什么？

高效解决方案 #

嘿，这个问题我之前处理过好几次，其实有几个靠谱的方案，尤其是当你已经明确知道目标索引范围的时候，纯NumPy的方法是效率最高的，当然也可以结合Pandas来实现，下面给你详细说说：

方法一：NumPy原生索引构造（最优选择） #

这种方法完全基于NumPy的底层数组操作，没有额外的冗余步骤，时间复杂度是O(n)，几乎是理论最优的：

import numpy as np

original_array = np.array([5, 2, 4, 6, 3])
target_classes = 7  # 因为索引范围是0到6，一共7个类别

# 初始化一个全0的矩阵，形状为(数组长度, 类别数)
one_hot_matrix = np.zeros((len(original_array), target_classes), dtype=int)
# 利用高级索引，在对应的位置填充1
one_hot_matrix[np.arange(len(original_array)), original_array] = 1

print(one_hot_matrix)

运行这段代码就能直接得到你想要的矩阵，原理很简单：我们先创建一个符合要求的全0矩阵，然后用数组的索引位置（每行对应原数组的一个元素）和元素本身的值（对应列的位置）来定位，把这些位置设为1即可。

方法二：Pandas补全缺失列（适合Pandas场景） #

如果你正在处理Pandas数据，不想切换到纯NumPy的话，可以先用get_dummies生成初始编码，再用reindex补全缺失的列：

import pandas as pd
import numpy as np

original_array = np.array([5, 2, 4, 6, 3])
# 把数组转成Series，生成初始独热编码
dummies_df = pd.get_dummies(pd.Series(original_array))
# 重新索引，指定0到6的所有列，缺失的列填充0
dummies_df = dummies_df.reindex(columns=np.arange(7), fill_value=0)
# 转成NumPy数组
one_hot_matrix = dummies_df.values

print(one_hot_matrix)

不过这种方法因为涉及到DataFrame的操作，效率会比纯NumPy方法低一些，适合已经在Pandas工作流里的情况。

为什么直接用get_dummies不行？ #

正如你注意到的，pd.get_dummies只会根据原数组中实际出现的类别生成列，所以像0、1这种没在原数组里出现的类别就会被漏掉。而reindex的作用就是强制把这些缺失的列补回来，并用0填充，这样就能得到完整的独热编码矩阵了。

内容的提问来源于stack exchange，提问作者Jivan