Lære Kodning af Kategoriske Variabler | Datatransformationsteknikker

Kategoriske variabler er egenskaber i dine data, der repræsenterer kategorier i stedet for numeriske værdier. Eksempler inkluderer farver som "red", "green" og "blue", eller etiketter som "yes" og "no". Maskinlæringsalgoritmer kræver, at inputdata er numeriske, så du skal konvertere disse kategoriske variabler til et numerisk format, før de kan anvendes i modeller. Denne proces kaldes kodning, og den sikrer, at dine algoritmer kan fortolke og lære effektivt af dataene.

Definition

One-hot encoding opretter en ny binær kolonne for hver kategori af en kategorisk variabel. Hver observation får en 1 i kolonnen, der svarer til dens kategori, og 0 i de øvrige.


              12345678910111213
            
import seaborn as sns
import pandas as pd

# Load Titanic dataset
data = sns.load_dataset("titanic")

# One-hot encode the 'embarked' column
embarked_encoded = pd.get_dummies(data["embarked"], prefix="embarked")

# Concatenate with original dataset
data = pd.concat([data, embarked_encoded], axis=1)

print(data[["embarked", "embarked_C", "embarked_Q", "embarked_S"]].head())

Definition

Label encoding tildeler hver unik kategori i en variabel en heltalsværdi, hvilket omdanner tekstetiketter til tal.


              123456789101112
            
import seaborn as sns
import pandas as pd
from sklearn.preprocessing import LabelEncoder

# Load Titanic dataset
data = sns.load_dataset("titanic")

# Label encode the 'sex' column
encoder = LabelEncoder()
data["sex_encoded"] = encoder.fit_transform(data["sex"])

print(data[["sex", "sex_encoded"]].head())

Definition

Order encoding tildeler ordnede heltalsværdier til kategorier baseret på deres naturlige rangering. Denne metode bevarer den iboende rækkefølge i ordinale kategoriske variabler, såsom uddannelsesniveauer ("high school", "bachelor", "master", "doctorate").


              123456789101112131415161718
            
import seaborn as sns
import pandas as pd

# Load Titanic dataset
data = sns.load_dataset("titanic")

# Define the order of passenger classes: First < Second < Third
class_order = ["First", "Second", "Third"]

# Apply ordered categorical encoding
data["class_encoded"] = pd.Categorical(
    data["class"],
    categories=class_order,
    ordered=True
).codes + 1  # +1 to make classes start from 1 instead of 0

# Display sample output
print(data[["class", "class_encoded"]].head())

Bemærk

Vær opmærksom ved kodning af kategoriske variabler. One-hot encoding kan introducere dummyvariabel-fælden – en situation hvor funktioner er stærkt korrelerede, hvilket kan forvirre nogle modeller. For at undgå dette kan du udelade en af dummy-kolonnerne. Label encoding pålægger et ordnet forhold mellem kategorier, hvilket muligvis ikke er passende for nominelle data.

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 2

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Awesome!

Completion rate improved to 8.33

Stryg for at vise menuen

Definition

One-hot encoding opretter en ny binær kolonne for hver kategori af en kategorisk variabel. Hver observation får en 1 i kolonnen, der svarer til dens kategori, og 0 i de øvrige.


              12345678910111213
            
import seaborn as sns
import pandas as pd

# Load Titanic dataset
data = sns.load_dataset("titanic")

# One-hot encode the 'embarked' column
embarked_encoded = pd.get_dummies(data["embarked"], prefix="embarked")

# Concatenate with original dataset
data = pd.concat([data, embarked_encoded], axis=1)

print(data[["embarked", "embarked_C", "embarked_Q", "embarked_S"]].head())

Definition

Label encoding tildeler hver unik kategori i en variabel en heltalsværdi, hvilket omdanner tekstetiketter til tal.


              123456789101112
            
import seaborn as sns
import pandas as pd
from sklearn.preprocessing import LabelEncoder

# Load Titanic dataset
data = sns.load_dataset("titanic")

# Label encode the 'sex' column
encoder = LabelEncoder()
data["sex_encoded"] = encoder.fit_transform(data["sex"])

print(data[["sex", "sex_encoded"]].head())

Definition


              123456789101112131415161718
            
import seaborn as sns
import pandas as pd

# Load Titanic dataset
data = sns.load_dataset("titanic")

# Define the order of passenger classes: First < Second < Third
class_order = ["First", "Second", "Third"]

# Apply ordered categorical encoding
data["class_encoded"] = pd.Categorical(
    data["class"],
    categories=class_order,
    ordered=True
).codes + 1  # +1 to make classes start from 1 instead of 0

# Display sample output
print(data[["class", "class_encoded"]].head())

Bemærk

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 2