对于字符串数据，使用get_dummies()(from Pandas)。to_categorical()将整数作为输入。
Keras: to_categorical()和
Pandas: 之间有两个重要区别
get_dummies()。
喀拉斯： to_categorical()
to_categorical() 将整数作为输入（不允许使用字符串）。 to_categorical() 默认情况下从 0 开始生成假人！
查看帮助功能：
print(help(to_categorical))
说：
to_categorical(y, num_classes=None, dtype='float32')
Converts a class vector (integers) to binary class matrix.
E.g. for use with categorical_crossentropy.
# Arguments
y: class vector to be converted into a matrix
(integers from 0 to num_classes).
num_classes: total number of classes.
dtype: The data type expected by the input, as a string
(`float32`, `float64`, `int32`...)
...
因此，如果您的数据是数字（int），您可以使用to_categorical(). 您可以通过查看.dtype和/或来检查您的数据是否为 np.array type()。
import numpy as np
npa = np.array([2,2,3,3,4,4])
print(npa.dtype, type(npa))
print(npa)
结果：
int32 <class 'numpy.ndarray'>
[2 2 3 3 4 4]
现在您可以使用to_categorical()：
from keras.utils import to_categorical
cat1 = to_categorical(npa)
print(cat1.dtype, type(cat1))
print(cat1)
产生一个矩阵：
float32 <class 'numpy.ndarray'>
[[0. 0. 1. 0. 0.]
[0. 0. 1. 0. 0.]
[0. 0. 0. 1. 0.]
[0. 0. 0. 1. 0.]
[0. 0. 0. 0. 1.]
[0. 0. 0. 0. 1.]]
请注意，矩阵包含五列（从零开始到四，这是我在 中的最大值np.array）。前两列（代表原始数据中的 0 和 1）在整个矩阵中为 0，因为在原始数据中找不到这些值。
to_categorical()还接受未明确定义为 np.array 的输入。例如，下面的陈述也是合法的。
alt1 = to_categorical([0,0,1,1,2,2])
print(alt1.dtype, type(alt1))
print(alt1)
alt2 = to_categorical((0,0,1,1,2,2))
print(alt2.dtype, type(alt2))
print(alt2)
因为现在值的范围在 0 到 2 之间，所以结果如下所示：
[[1. 0. 0.]
[1. 0. 0.]
[0. 1. 0.]
[0. 1. 0.]
[0. 0. 1.]
[0. 0. 1.]]
熊猫： get_dummies()
当您拥有 时Pandas df，您可以使用 将某些列转换为虚拟对象get_dummies()，而不管列中的数据类型如何。因此，也可以将一列字符串转换为虚拟对象。
import pandas as pd
df = pd.DataFrame(data={'col1':["A", "A", "B", "B", "C", "C"]})
alt3 = pd.get_dummies(df['col1'])
print(type(alt3))
这给出了：
<class 'pandas.core.frame.DataFrame'>
A B C
0 1 0 0
1 1 0 0
2 0 1 0
3 0 1 0
4 0 0 1
5 0 0 1
请注意，结果（再次）是 a Pandas df。所以我们需要将其转换为np.array.
alt3 = alt3.to_numpy()
print(alt3.dtype, type(alt3))
print(alt3)
这产生：
uint8 <class 'numpy.ndarray'>
[[1 0 0]
[1 0 0]
[0 1 0]
[0 1 0]
[0 0 1]
[0 0 1]]
这样它就可以与Keras.
请注意，此处生成的矩阵不是 (!) 从零开始的。相反，所选Pandas列中的每个不同值都会在虚拟矩阵中获得它自己的列。