Codificación de Variables Categóricas
Las variables categóricas son características en tus datos que representan categorías en lugar de valores numéricos. Ejemplos incluyen colores como "red", "green" y "blue", o etiquetas como "yes" y "no". Los algoritmos de aprendizaje automático requieren que los datos de entrada sean numéricos, por lo que es necesario convertir estas variables categóricas a un formato numérico antes de utilizarlas en los modelos. Este proceso se denomina codificación y garantiza que los algoritmos puedan interpretar y aprender de los datos de manera efectiva.
La codificación one-hot crea una nueva columna binaria para cada categoría de una variable categórica. Cada observación recibe un 1 en la columna correspondiente a su categoría y 0 en las demás.
12345678910111213import 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())
La codificación de etiquetas asigna a cada categoría única en una variable un valor entero, transformando las etiquetas de texto en números.
123456789101112import 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())
La codificación ordinal asigna valores enteros ordenados a las categorías según su jerarquía natural. Este método preserva el orden inherente en variables categóricas ordinales, como los niveles educativos ("high school", "bachelor", "master", "doctorate").
123456789101112131415161718import 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())
Tener precaución al codificar variables categóricas. La codificación one-hot puede introducir la trampa de variables ficticias (dummy variable trap), una situación en la que las características están altamente correlacionadas, lo que puede confundir a algunos modelos. Para evitar esto, se puede eliminar una de las columnas ficticias. La codificación por etiquetas impone una relación ordinal entre categorías, lo cual podría no ser apropiado para datos nominales.
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 8.33Codificación de Variables Categóricas
Desliza para mostrar el menú
Las variables categóricas son características en tus datos que representan categorías en lugar de valores numéricos. Ejemplos incluyen colores como "red", "green" y "blue", o etiquetas como "yes" y "no". Los algoritmos de aprendizaje automático requieren que los datos de entrada sean numéricos, por lo que es necesario convertir estas variables categóricas a un formato numérico antes de utilizarlas en los modelos. Este proceso se denomina codificación y garantiza que los algoritmos puedan interpretar y aprender de los datos de manera efectiva.
La codificación one-hot crea una nueva columna binaria para cada categoría de una variable categórica. Cada observación recibe un 1 en la columna correspondiente a su categoría y 0 en las demás.
12345678910111213import 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())
La codificación de etiquetas asigna a cada categoría única en una variable un valor entero, transformando las etiquetas de texto en números.
123456789101112import 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())
La codificación ordinal asigna valores enteros ordenados a las categorías según su jerarquía natural. Este método preserva el orden inherente en variables categóricas ordinales, como los niveles educativos ("high school", "bachelor", "master", "doctorate").
123456789101112131415161718import 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())
Tener precaución al codificar variables categóricas. La codificación one-hot puede introducir la trampa de variables ficticias (dummy variable trap), una situación en la que las características están altamente correlacionadas, lo que puede confundir a algunos modelos. Para evitar esto, se puede eliminar una de las columnas ficticias. La codificación por etiquetas impone una relación ordinal entre categorías, lo cual podría no ser apropiado para datos nominales.
¡Gracias por tus comentarios!
