Lära One-Hot-Kodare | Förbehandling av Data med Scikit-learn

När det gäller nominala värden är hanteringen något mer komplex.

För ordinal data, såsom användarbetyg från 'Terrible' till 'Great', är det lämpligt att koda dem som siffror från 0 till 4 eftersom modellen kan uppfatta den inneboende ordningen.

Däremot, för en variabel som 'city' med fem distinkta kategorier, skulle en kodning med siffror från 0 till 4 felaktigt antyda en ordning. I detta fall är one-hot encoding ett bättre val, eftersom det representerar kategorier utan att antyda någon hierarki.

För att koda nominal data används transformern OneHotEncoder. Den skapar en kolumn för varje unikt värde. För varje rad sätts 1 i kolumnen för radens värde och 0 i övriga kolumner.

Det som ursprungligen var 'NewYork' har nu 1 i kolumnen 'City_NewYork' och 0 i övriga City_-kolumner.

Applicera OneHotEncoder på penguins-datasetet. De nominella egenskaperna är 'island' och 'sex'. Kolumnen 'species' är målet och kommer att behandlas separat när target encoding diskuteras i nästa kapitel.


              123456
            
import 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())

För att använda OneHotEncoder, initiera encoder-objektet och skicka de valda kolumnerna till .fit_transform(), på samma sätt som med andra transformatorer.


              1234567891011
            
import 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())

Notera

Metoden .toarray() konverterar den glesa matrisen som returneras av OneHotEncoder till en tät NumPy-array. Täta arrayer visar alla värden explicit, vilket gör det enklare att visualisera och manipulera den kodade datan i en DataFrame. Glesa matriser lagrar endast icke-noll element, vilket optimerar minnesanvändningen. Du kan utelämna denna metod för att se skillnaden i utdata.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 6

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Svep för att visa menyn