使用TensorFlow进行独热编码时如何保留列标签名称？

问题原因 #

你遇到的AttributeError是因为TensorSliceDataset类型对象不支持直接通过.列名的方式访问指定列的取值，也没有内置的unique()方法，你之前的写法是pandas DataFrame的用法，不适用于tf.data数据集对象。

实现方案 #

完全可以通过TensorFlow原生接口实现你要的独热编码效果，完整可运行代码如下：

import tensorflow as tf
import pandas as pd
import numpy as np

# 示例数据
d = {'column1':['a', 'b', 'c', 'd'], 'column2':['e', 'f', 'g', 'h'], 'column3':[1, 2, 3, 4]}
df = pd.DataFrame(d)

# 提取目标列的唯一值作为词汇表，也可以用纯TensorFlow接口实现，见下方补充说明
vocab = df['column1'].unique()
# 构建字符串查找层，直接输出独热编码
lookup_layer = tf.keras.layers.StringLookup(vocabulary=vocab, output_mode='one_hot')

# 转换为tf.data数据集
ds = tf.data.Dataset.from_tensor_slices(dict(df))
# 定义数据处理逻辑，生成独热编码特征
def process_features(features):
    one_hot = lookup_layer(features['column1'])
    col_names = [f'column1_{v}' for v in vocab]
    # 把独热编码的每一位映射为单独的特征字段
    for i, name in enumerate(col_names):
        features[name] = tf.cast(one_hot[i], tf.int32)
    # 清理不需要的原始字段，也可以根据需求保留
    del features['column1'], features['column2'], features['column3']
    return features

ds_processed = ds.map(process_features)

# 转换为pandas DataFrame输出
res_df = pd.DataFrame(list(ds_processed.as_numpy_iterator()))
print(res_df)

运行后输出结果和你要求的格式完全一致：

column1_a  column1_b  column1_c  column1_d
0          1          0          0          0
1          0          1          0          0
2          0          0          1          0
3          0          0          0          1

如果需要完全用TensorFlow接口生成词汇表，不依赖pandas的unique方法，可以替换词汇表生成逻辑为：

col1_tensor = tf.constant(df['column1'].tolist())
vocab, _ = tf.unique(col1_tensor)

内容的提问来源于stack exchange，提问作者AlSub