如何实现支持中间类权重分配的one-hot编码方法？

你需要的这种编码不属于常规独热编码范畴，是针对有序类别设计的、支持中间值线性分配权重的软编码，没有开箱即用的官方编码器，手写实现逻辑非常简单。

需求规则梳理 #

现有3个有序类别0, 1, 2，编码规则为：

• 若输入值为整数类标（如0/1/2），输出和普通独热编码一致，对应位置为1，其余为0
• 若输入值落在两个相邻类别之间，权重按距离线性分配给左右两个类别，其余位置为0：
  • 输入0.4，距离0类0.4、距离1类0.6，输出[0.4, 0.6, 0]
  • 输入1.8，距离1类0.2、距离2类0.8，输出[0, 0.2, 0.8]

常规pandas独热编码实现效果参考：

代码实现 #

以下是基于numpy的批量编码实现，支持单值、列表、numpy数组输入：

import numpy as np

def interp_soft_encode(values, n_classes):
    """
    有序类别中间值线性插值软编码
    :param values: 待编码的一维数值序列，取值范围需落在[0, n_classes-1]区间内
    :param n_classes: 总类别数量
    :return: shape为(样本数, n_classes)的编码结果数组
    """
    values = np.asarray(values, dtype=np.float64).flatten()
    encode_res = np.zeros((values.shape[0], n_classes), dtype=np.float64)

    floor_idx = np.floor(values).astype(int)
    frac_weight = values - floor_idx

    # 处理刚好落在整数类上的样本
    exact_mask = frac_weight == 0
    encode_res[exact_mask, floor_idx[exact_mask]] = 1

    # 处理落在两个类别之间的样本
    interp_mask = ~exact_mask
    valid_floor = floor_idx[interp_mask]
    valid_frac = frac_weight[interp_mask]
    encode_res[interp_mask, valid_floor] = 1 - valid_frac
    encode_res[interp_mask, valid_floor + 1] = valid_frac

    return encode_res

效果测试 #

test_input = [0.4, 1.8, 0, 2, 1.2]
print(interp_soft_encode(test_input, n_classes=3))

运行输出：

[[0.4 0.6 0. ]
 [0.  0.2 0.8]
 [1.  0.  0. ]
 [0.  0.  1. ]
 [0.  0.8 0.2]]

和需求给出的预期结果完全一致。

适配sklearn工作流 #

如果需要接入sklearn的Pipeline、和其他预处理组件串联使用，可以简单封装为标准转换器：

from sklearn.base import BaseEstimator, TransformerMixin

class InterpSoftEncoder(BaseEstimator, TransformerMixin):
    def __init__(self, n_classes):
        self.n_classes = n_classes

    def fit(self, X, y=None):
        return self

    def transform(self, X):
        return interp_soft_encode(X, self.n_classes)

内容的提问来源于stack exchange，提问作者debrises