Scikit-learn 的 LabelBinarizer 与 OneHotEncoder

两者有什么区别？似乎两者都创建了新列，其数量等于特征中唯一类别的数量。然后，他们根据数据点所属的类别将 0 和 1 分配给数据点。

下面显示了使用 LabelEncoder、OneHotEncoder、LabelBinarizer 对数组进行编码的简单示例。

我看到 OneHotEncoder 首先需要整数编码形式的数据才能转换为其各自的编码，而在 LabelBinarizer 的情况下不需要。

from numpy import array
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import OneHotEncoder
from sklearn.preprocessing import LabelBinarizer

# define example
data = ['cold', 'cold', 'warm', 'cold', 'hot', 'hot', 'warm', 'cold', 
'warm', 'hot']
values = array(data)
print "Data: ", values
# integer encode
label_encoder = LabelEncoder()
integer_encoded = label_encoder.fit_transform(values)
print "Label Encoder:" ,integer_encoded

# onehot encode
onehot_encoder = OneHotEncoder(sparse=False)
integer_encoded = integer_encoded.reshape(len(integer_encoded), 1)
onehot_encoded = onehot_encoder.fit_transform(integer_encoded)
print "OneHot Encoder:", onehot_encoded

#Binary encode
lb = LabelBinarizer()
print "Label Binarizer:", lb.fit_transform(values)

解释 OneHotEncoder 的另一个很好的链接是：使用python解释onehotencoder https://stackoverflow.com/questions/42728772/explain-onehotencoder-using-python

两者之间可能还存在其他有效差异，专家可能会对此进行解释。