Python တွင် one-hot encoding ပြုလုပ်နည်း

One-hot encoding ကို machine learning algorithms မှ အလွယ်တကူ အသုံးပြုနိုင်သော အမျိုးအစားအဖြစ် ပြောင်းလဲနိုင်သော အမျိုးအစားအဖြစ် ပြောင်းလဲရန် အသုံးပြုပါသည်။

one-hot coding ၏ အခြေခံအယူအဆမှာ 0 နှင့် 1 တန်ဖိုးများကို မူရင်းအမျိုးအစားတန်ဖိုးများကိုကိုယ်စားပြုရန်အတွက် variable အသစ်များကိုဖန်တီးရန်ဖြစ်သည်။

ဥပမာအားဖြင့်၊ အောက်ပါပုံသည် 0 နှင့် 1 တန်ဖိုးများသာရှိသော အမျိုးအစားအသစ်များပါရှိသော အဖွဲ့အမည်များပါရှိသော အမျိုးအစားကွဲပြားသော variable တစ်ခုကို ပြောင်းလဲရန်အတွက် ကျွန်ုပ်တို့သည် one-hot ကုဒ်နံပါတ်ကို မည်သို့ပြသထားသည်ကို ပြသသည်-

အောက်ပါ အဆင့်ဆင့် ဥပမာသည် Python ရှိ ဤအတိအကျဒေတာအတွဲအတွက် one-hot encoding လုပ်နည်းကို ပြသထားသည်။

အဆင့် 1: ဒေတာကိုဖန်တီးပါ။

ပထမဦးစွာ၊ အောက်ပါပန်ဒါ DataFrame ကိုဖန်တီးကြပါစို့။

 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

အဆင့် 2- ပူပြင်းသော ကုဒ်နံပါတ်ကို လုပ်ဆောင်ပါ။

ထို့နောက်၊ sklearn စာကြည့်တိုက်မှ OneHotEncoder() လုပ်ဆောင်ချက်ကို တင်သွင်းပြီး pandas DataFrame ရှိ ‘team’ variable တွင် hot encoding ကိုလုပ်ဆောင်ရန် ၎င်းကိုအသုံးပြုကြပါစို့။

 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

မူရင်း “ အဖွဲ့” ကော်လံတွင် ထူးခြားသောတန်ဖိုး သုံးခုပါရှိသောကြောင့် ကော်လံအသစ်သုံးခုကို DataFrame သို့ ပေါင်းထည့်ခဲ့ကြောင်း သတိပြုပါ။

မှတ်ချက် – OneHotEncoder() လုပ်ဆောင်ချက်အတွက် စာရွက်စာတမ်းအပြည့်အစုံကို ဤနေရာတွင် ရှာဖွေနိုင်ပါသည်။

အဆင့် 3- မူရင်း categorical variable ကို ဖယ်ရှားပါ။

နောက်ဆုံးတွင်၊ ကျွန်ုပ်တို့သည် ၎င်းကို မလိုအပ်တော့သောကြောင့် မူရင်း ‘အဖွဲ့’ variable ကို DataFrame မှ ဖယ်ရှားနိုင်သည်-

 #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

ဆက်စပ်- Pandas ရှိ ကော်လံများကို ဖျက်နည်း (နည်းလမ်း 4 ခု)

၎င်းတို့ကိုဖတ်ရလွယ်ကူစေရန် နောက်ဆုံး DataFrame ၏ကော်လံများကိုလည်း အမည်ပြောင်းနိုင်သည်-

 #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

One-hot encoding ပြီးပါပြီ၊ ယခုကျွန်ုပ်တို့လိုချင်သော မည်သည့် machine learning algorithm တွင် ဤပန်ဒါ DataFrame ကို ထည့်သွင်းနိုင်ပါပြီ။

ထပ်လောင်းအရင်းအမြစ်များ

Python တွင် ဖြတ်တောက်ထားသော ဆိုလိုရင်းကို တွက်ချက်နည်း
Python တွင် linear regression လုပ်နည်း
Python တွင် Logistic Regression ကို မည်သို့လုပ်ဆောင်မည်နည်း။