Come eseguire la codifica one-hot in python

La codifica one-hot viene utilizzata per convertire le variabili categoriali in un formato che può essere facilmente utilizzato dagli algoritmi di machine learning .

L’idea di base della codifica one-hot è quella di creare nuove variabili che assumano i valori 0 e 1 per rappresentare i valori categorici originali.

Ad esempio, l’immagine seguente mostra come effettueremo la codifica one-hot per convertire una variabile categoriale contenente i nomi dei team in nuove variabili contenenti solo valori 0 e 1:

Il seguente esempio passo passo mostra come eseguire la codifica one-hot per questo set di dati esatto in Python.

Passaggio 1: creare i dati

Innanzitutto, creiamo il seguente DataFrame panda:

 import pandas as pd

#createDataFrame
df = pd. DataFrame ({' team ': ['A', 'A', 'B', 'B', 'B', 'B', 'C', 'C'],
                   ' points ': [25, 12, 15, 14, 19, 23, 25, 29]})

#view DataFrame
print (df)

  team points
0 to 25
1 to 12
2 B 15
3 B 14
4 B 19
5 B 23
6 C 25
7 C 29

Passaggio 2: eseguire la codifica one-hot

Successivamente, importiamo la funzione OneHotEncoder() dalla libreria sklearn e usiamola per eseguire la codifica a caldo sulla variabile ‘team’ nel DataFrame pandas:

 from sklearn. preprocessing import OneHotEncoder

#creating instance of one-hot-encoder
encoder = OneHotEncoder(handle_unknown=' ignore ')

#perform one-hot encoding on 'team' column 
encoder_df = pd. DataFrame ( encoder.fit_transform (df[[' team ']]). toarray ())

#merge one-hot encoded columns back with original DataFrame
final_df = df. join (encoder_df)

#view final df
print (final_df)

  team points 0 1 2
0 to 25 1.0 0.0 0.0
1 to 12 1.0 0.0 0.0
2 B 15 0.0 1.0 0.0
3 B 14 0.0 1.0 0.0
4 B 19 0.0 1.0 0.0
5 B 23 0.0 1.0 0.0
6 C 25 0.0 0.0 1.0
7 C 29 0.0 0.0 1.0

Tieni presente che tre nuove colonne sono state aggiunte a DataFrame poiché la colonna “team” originale conteneva tre valori univoci.

Nota : puoi trovare la documentazione completa per la funzione OneHotEncoder() qui .

Passaggio 3: rimuovere la variabile categoriale originale

Infine, possiamo rimuovere la variabile originale ‘team’ dal DataFrame poiché non ne abbiamo più bisogno:

 #drop 'team' column
final_df. drop (' team ', axis= 1 , inplace= True )

#view final df
print (final_df)

   points 0 1 2
0 25 1.0 0.0 0.0
1 12 1.0 0.0 0.0
2 15 0.0 1.0 0.0
3 14 0.0 1.0 0.0
4 19 0.0 1.0 0.0
5 23 0.0 1.0 0.0
6 25 0.0 0.0 1.0
7 29 0.0 0.0 1.0

Correlato: Come eliminare colonne in Panda (4 metodi)

Potremmo anche rinominare le colonne del DataFrame finale per renderle più facili da leggere:

 #rename columns
final_df. columns = ['points', 'teamA', 'teamB', 'teamC']

#view final df
print (final_df)

   points teamA teamB teamC
0 25 1.0 0.0 0.0
1 12 1.0 0.0 0.0
2 15 0.0 1.0 0.0
3 14 0.0 1.0 0.0
4 19 0.0 1.0 0.0
5 23 0.0 1.0 0.0
6 25 0.0 0.0 1.0
7 29 0.0 0.0 1.0

La codifica one-hot è completa e ora possiamo inserire questo DataFrame di Panda in qualsiasi algoritmo di apprendimento automatico che desideriamo.

Risorse addizionali

Come calcolare una media troncata in Python
Come eseguire la regressione lineare in Python
Come eseguire la regressione logistica in Python