如果您是机器学习的新手，您可能会对这两者感到困惑 - Label Encoder和One Hot Encoder。这两个编码器是Python中SciKit Learn库的一部分，它们用于将分类数据或文本数据转换为数字，我们的预测模型可以更好地理解这些数字。今天，让我们通过一个简单的例子来理解两者之间的区别。

标签编码（Label Encoder）

现在，让我们考虑以下数据：

在本例中，第一列是country列，它都是文本。你可能已经知道，如果我们要在数据上运行任何类型的模型，我们就不能在数据中包含文本。在运行模型之前，我们需要为模型准备这些数据。

为了将这类分类文本数据转换为模型可理解的数值数据，我们使用标签编码器类。所以我们要做的，标签编码第一列，就是从sklearn库导入LabelEncoder类，对数据的第一列进行拟合和转换，然后用新的编码数据替换现有的文本数据。让我们看一下Python代码

from sklearn.preprocessing import LabelEncoder

labelencoder = LabelEncoder()

x[:, 0] = labelencoder.fit_transform(x[:, 0])

我们假设数据在一个叫做“x”的变量中。运行这段代码之后，如果您检查x的值，您将看到第一列中的三个国家已经被数字0、1和2所取代。

这就是标签编码。但是根据数据，标签编码引入了一个新的问题。例如，我们将一组国家名称编码成数字数据。这实际上是分类数据，行之间没有任何关系。

这里的问题是，由于同一列中有不同的数字，模型会误解数据的顺序，0 < 1 < 2。但事实并非如此。为了克服这个问题，我们使用独热编码（One Hot Encoder）。

独热编码（One Hot Encoder）

现在，正如我们已经讨论过的，根据我们所拥有的数据，我们可能会遇到一些情况，在标签编码之后，我们可能会混淆我们的模型，认为一个列有某种顺序或层次的数据，而我们显然没有。为了避免这种情况，我们对该列进行了“OneHotEncode”。

One Hot Encoder所做的是，它取一个具有分类数据的列，该列已经被标签编码，然后将该列分割为多个列。数字被1和0替换，这取决于哪个列有什么值。在我们的示例中，我们将得到三个新列，每个国家一个——法国、德国和西班牙。

对于第一个列值为法国的行，“France”列将有一个“1”，另外两个列将有“0”。类似地，对于第一个列值为Germany的行，' Germany '列将有' 1 '，其他两列将有' 0 '。

一个热编码的Python代码也非常简单:

from sklearn.preprocessing import OneHotEncoder

onehotencoder = OneHotEncoder(categorical_features = [0])

x = onehotencoder.fit_transform(x).toarray()

正如您在构造函数中看到的，我们指定哪个列必须是一个热编码，在这种情况下为[0]。然后我们用我们刚刚创建的onehotencoder对象拟合并转换数组'x'。就是这样，我们现在在数据集中有三个新列：

如您所见，我们有三个新的列，分别为1和0，具体取决于行所代表的国家/地区。