Encodage one-hot

Les modèles ont besoin de nombres, pas de mots. L'encodage one-hot transforme chaque catégorie en un vecteur avec une position par catégorie : 1 à la position de la catégorie et 0 partout ailleurs.

Rangez les catégories par ordre alphabétique. Pour chaque étiquette, produisez son vecteur one-hot.

Implémentez one_hot(labels).

Entrée

labels : Une liste de noms de catégories.

Sortie

Renvoyez une matrice avec une ligne par étiquette et une colonne par catégorie distincte (dans l'ordre alphabétique).

Contraintes

1 ≤ longueur ≤ 1 000

Chaque étiquette comporte de 1 à 20 caractères

Exemples

Entrée :
labels = ["red", "green", "blue", "green"]

Sortie attendue :
expected = [
    [0, 0, 1],
    [0, 1, 0],
    [1, 0, 0],
    [0, 1, 0]
]

Entrée :
std::vector<std::string> labels = {"red", "green", "blue", "green"};

Sortie attendue :
std::vector<std::vector<long long>> expected = {
    {0, 0, 1},
    {0, 1, 0},
    {1, 0, 0},
    {0, 1, 0}
};

Entrée :
string[] labels = new string[] {"red", "green", "blue", "green"};

Sortie attendue :
long[][] expected = new long[][] {
    new long[] {0, 0, 1},
    new long[] {0, 1, 0},
    new long[] {1, 0, 0},
    new long[] {0, 1, 0}
};

Entrée :
labels = ["yes"]

Sortie attendue :
expected = [
    [1]
]

Entrée :
std::vector<std::string> labels = {"yes"};

Sortie attendue :
std::vector<std::vector<long long>> expected = {
    {1}
};

Entrée :
string[] labels = new string[] {"yes"};

Sortie attendue :
long[][] expected = new long[][] {
    new long[] {1}
};

Références

Ce défi a été adapté pour CodeUtility. Suivez l'énoncé et les contraintes ci-dessus.

• scikit-learn, Encoding categorical features (OneHotEncoder)