Lære Koding av Kategoriske Variabler | Datatransformasjonsteknikker

Kategoriske variabler er egenskaper i datasettet ditt som representerer kategorier i stedet for numeriske verdier. Eksempler inkluderer farger som "red", "green" og "blue", eller etiketter som "yes" og "no". Maskinlæringsalgoritmer krever at inndata er numeriske, så du må konvertere disse kategoriske variablene til et numerisk format før de brukes i modeller. Denne prosessen kalles enkoding, og den sikrer at algoritmene dine kan tolke og lære effektivt fra dataene.

Definisjon

One-hot encoding oppretter en ny binær kolonne for hver kategori av en kategorisk variabel. Hver observasjon får en 1 i kolonnen som tilsvarer dens kategori og 0 ellers.


              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())

Definisjon

Etikettkoding tildeler hver unik kategori i en variabel en heltallsverdi, og omformer tekstetiketter til tall.


              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())

Definisjon

Ordenkoding tildeler ordnede heltallsverdier til kategorier basert på deres naturlige rangering. Denne metoden bevarer den iboende rekkefølgen i ordinale kategoriske variabler, som utdanningsnivåer ("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())

Merk

Vær oppmerksom ved koding av kategoriske variabler. One-hot encoding kan føre til dummyvariabel-fellen – en situasjon der funksjoner er sterkt korrelerte, noe som kan forvirre enkelte modeller. For å unngå dette kan du fjerne én av dummy-kolonnene. Label encoding påfører et ordnet forhold mellom kategorier, noe som kanskje ikke er hensiktsmessig for nominelle data.

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 2

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Awesome!

Completion rate improved to 8.33

Sveip for å vise menyen

Definisjon

One-hot encoding oppretter en ny binær kolonne for hver kategori av en kategorisk variabel. Hver observasjon får en 1 i kolonnen som tilsvarer dens kategori og 0 ellers.


              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())

Definisjon

Etikettkoding tildeler hver unik kategori i en variabel en heltallsverdi, og omformer tekstetiketter til tall.


              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())

Definisjon


              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())

Merk

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 2