One-Hot-koodaus
Nominaalisten arvojen käsittely on hieman monimutkaisempaa.
Ordinaalisille tiedoille, kuten käyttäjäarvioille välillä 'Terrible'–'Great', niiden koodaaminen numeroiksi 0–4 on sopivaa, koska malli pystyy hyödyntämään arvojen järjestyksen.
Sen sijaan ominaisuudelle kuten 'city', jossa on viisi erillistä kategoriaa, niiden koodaaminen numeroiksi 0–4 antaisi virheellisesti ymmärtää, että niillä on järjestys. Tässä tapauksessa one-hot encoding on parempi vaihtoehto, sillä se esittää kategoriat ilman hierarkiaa.
Nominaalidatan koodaamiseen käytetään OneHotEncoder-muunninta. Se luo sarakkeen jokaiselle yksilölliselle arvolle. Jokaisella rivillä asetetaan arvo 1 sen sarakkeen kohdalle, joka vastaa rivin arvoa, ja 0 muihin sarakkeisiin.
Alkuperäinen 'NewYork' on nyt 1 sarakkeessa 'City_NewYork' ja 0 muissa City_-sarakkeissa.
Käytä OneHotEncoder-muunninta penguins-aineistoon. Nominaaliset ominaisuudet ovat 'island' ja 'sex'. Sarake 'species' on kohde ja käsitellään erikseen, kun käsitellään kohteen koodausta seuraavassa luvussa.
123456import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed.csv') print('island: ', df['island'].unique()) print('sex: ', df['sex'].unique())
OneHotEncoder-muuntimen käyttämiseksi alustetaan enkooderiobjekti ja valitut sarakkeet annetaan metodille .fit_transform(), samalla tavalla kuin muidenkin muuntimien kanssa.
1234567891011import pandas as pd from sklearn.preprocessing import OneHotEncoder df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed.csv') # Assign X, y variables y = df['species'] X = df.drop('species', axis=1) # Initialize an OneHotEncoder object one_hot = OneHotEncoder() # Print transformed 'sex', 'island' columns print(one_hot.fit_transform(X[['sex', 'island']]).toarray())
.toarray()-metodi muuntaa OneHotEncoder-muuntimen tuottaman harvan matriisin tiheäksi NumPy-taulukoksi. Tiheät taulukot näyttävät kaikki arvot eksplisiittisesti, mikä helpottaa koodatun datan visualisointia ja käsittelyä DataFrame-rakenteessa. Harvat matriisit tallentavat vain nollasta poikkeavat alkiot, mikä optimoi muistinkäytön. Voit jättää tämän metodin pois nähdäksesi eron tulosteessa.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain how OneHotEncoder works in more detail?
What are the unique values in the 'island' and 'sex' columns?
How do I interpret the output of the OneHotEncoder?
Awesome!
Completion rate improved to 3.13One-Hot-koodaus
Pyyhkäise näyttääksesi valikon
Nominaalisten arvojen käsittely on hieman monimutkaisempaa.
Ordinaalisille tiedoille, kuten käyttäjäarvioille välillä 'Terrible'–'Great', niiden koodaaminen numeroiksi 0–4 on sopivaa, koska malli pystyy hyödyntämään arvojen järjestyksen.
Sen sijaan ominaisuudelle kuten 'city', jossa on viisi erillistä kategoriaa, niiden koodaaminen numeroiksi 0–4 antaisi virheellisesti ymmärtää, että niillä on järjestys. Tässä tapauksessa one-hot encoding on parempi vaihtoehto, sillä se esittää kategoriat ilman hierarkiaa.
Nominaalidatan koodaamiseen käytetään OneHotEncoder-muunninta. Se luo sarakkeen jokaiselle yksilölliselle arvolle. Jokaisella rivillä asetetaan arvo 1 sen sarakkeen kohdalle, joka vastaa rivin arvoa, ja 0 muihin sarakkeisiin.
Alkuperäinen 'NewYork' on nyt 1 sarakkeessa 'City_NewYork' ja 0 muissa City_-sarakkeissa.
Käytä OneHotEncoder-muunninta penguins-aineistoon. Nominaaliset ominaisuudet ovat 'island' ja 'sex'. Sarake 'species' on kohde ja käsitellään erikseen, kun käsitellään kohteen koodausta seuraavassa luvussa.
123456import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed.csv') print('island: ', df['island'].unique()) print('sex: ', df['sex'].unique())
OneHotEncoder-muuntimen käyttämiseksi alustetaan enkooderiobjekti ja valitut sarakkeet annetaan metodille .fit_transform(), samalla tavalla kuin muidenkin muuntimien kanssa.
1234567891011import pandas as pd from sklearn.preprocessing import OneHotEncoder df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed.csv') # Assign X, y variables y = df['species'] X = df.drop('species', axis=1) # Initialize an OneHotEncoder object one_hot = OneHotEncoder() # Print transformed 'sex', 'island' columns print(one_hot.fit_transform(X[['sex', 'island']]).toarray())
.toarray()-metodi muuntaa OneHotEncoder-muuntimen tuottaman harvan matriisin tiheäksi NumPy-taulukoksi. Tiheät taulukot näyttävät kaikki arvot eksplisiittisesti, mikä helpottaa koodatun datan visualisointia ja käsittelyä DataFrame-rakenteessa. Harvat matriisit tallentavat vain nollasta poikkeavat alkiot, mikä optimoi muistinkäytön. Voit jättää tämän metodin pois nähdäksesi eron tulosteessa.
Kiitos palautteestasi!
