字典特征提取：

将类别中的特征进行one-hot编码处理。

应用场景：

①当数据集中类别较多时，可将数据集特征转换为字典类型，然后进行字典特征提取。

方法步骤：

①导入相关API

from sklearn.feature_extraction import

②DictVectorizer实例化

dict=DictVectorizer(sparse=False)

注：sparse默认为true,sparse=False可将稀疏矩阵转换为二维数组的形式

③调用fit_transform()方法进行特征提取

results=dict.fit_transform(data)        #data为需要进行字典特征提取的数据

完整代码：

from sklearn.datasets import load_iris     #导入数据集
from sklearn.feature_extraction import DictVectorizer  #字典特征值提取

def dict_demo():
    data=[{"水果":"苹果","数量":100},{"水果":"橘子","数量":200},{"水果":"梨","数量":300}]    #待处理的数据
    #实例化DictVectorizer
    dict=DictVectorizer(sparse=False)       #sparse默认为true,sparse=False可将稀疏矩阵转换为二维数组的形式
    #调用fit_transform()方法进行特征提取
    results=dict.fit_transform(data)

    print(dict.get_feature_names())         #输出特征值名称
    print(results)                          #输出字典提取后的结果

if __name__ == '__main__':

运行截图：

字典特征提取_机器学习