One-hot-codering uitvoeren in python

One-hot-codering wordt gebruikt om categorische variabelen om te zetten in een indeling die gemakkelijk kan worden gebruikt door machine learning-algoritmen .

Het basisidee van one-hot coding is het creëren van nieuwe variabelen die de waarden 0 en 1 aannemen om de oorspronkelijke categorische waarden weer te geven.

De volgende afbeelding laat bijvoorbeeld zien hoe we one-hot-encoderen om een categorische variabele met teamnamen te converteren naar nieuwe variabelen die alleen 0- en 1-waarden bevatten:

In het volgende stapsgewijze voorbeeld ziet u hoe u one-hot-codering kunt uitvoeren voor deze exacte gegevensset in Python.

Stap 1: Creëer de gegevens

Laten we eerst de volgende panda’s DataFrame maken:

 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

Stap 2: Voer one-hot-codering uit

Laten we vervolgens de functie OneHotEncoder() importeren uit de sklearn- bibliotheek en deze gebruiken om hot-encoding uit te voeren op de ‚team‘-variabele in het pandas DataFrame:

 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

Houd er rekening mee dat er drie nieuwe kolommen aan het DataFrame zijn toegevoegd, omdat de oorspronkelijke kolom ‚team‘ drie unieke waarden bevatte.

Opmerking : u kunt de volledige documentatie voor de OneHotEncoder()- functie hier vinden.

Stap 3: Verwijder de oorspronkelijke categorische variabele

Ten slotte kunnen we de originele ‚team‘-variabele uit het DataFrame verwijderen, omdat we deze niet langer nodig hebben:

 #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

Gerelateerd: Kolommen verwijderen in Panda’s (4 methoden)

We kunnen ook de kolommen van het uiteindelijke DataFrame hernoemen om ze gemakkelijker leesbaar te maken:

 #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

De one-hot-codering is voltooid en we kunnen dit panda’s DataFrame nu in elk gewenst machine learning-algoritme invoegen.

Aanvullende bronnen

Hoe een getrimd gemiddelde in Python te berekenen
Hoe lineaire regressie uit te voeren in Python
Hoe logistieke regressie uit te voeren in Python