{"id":3558,"date":"2023-07-16T20:42:07","date_gmt":"2023-07-16T20:42:07","guid":{"rendered":"https:\/\/statorials.org\/nl\/sklearn-label-dat-meerdere-kolommen-codeert\/"},"modified":"2023-07-16T20:42:07","modified_gmt":"2023-07-16T20:42:07","slug":"sklearn-label-dat-meerdere-kolommen-codeert","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/sklearn-label-dat-meerdere-kolommen-codeert\/","title":{"rendered":"Scikit-learn: gebruik labelcodering met meerdere kolommen"},"content":{"rendered":"

<\/p>\n

\n

Bij machinaal leren is labelcodering<\/strong> het proces waarbij de waarden van eencategorische variabele<\/a> worden omgezet in gehele waarden.<\/span><\/p>\n

De volgende schermafbeelding laat bijvoorbeeld zien hoe u elke unieke waarde van een categorische variabele met de naam Team<\/strong> kunt converteren naar een geheel getal op basis van alfabetische volgorde:<\/span> <\/p>\n

\"\"<\/p>\n

U kunt de volgende syntaxis gebruiken om labelcodering met meerdere kolommen uit te voeren in Python:<\/span><\/p>\n

 from<\/span> sklearn. preprocessing<\/span> import<\/span> LabelEncoder\n\n#perform label encoding on col1, col2 columns\n<\/span>df[[' col1<\/span> ', ' col2<\/span> ']] = df[[' col1<\/span> ', ' col2<\/span> ']]. apply<\/span> (LabelEncoder(). fit_transform<\/span> )\n<\/strong><\/pre>\n
 Het volgende voorbeeld laat zien hoe u deze syntaxis in de praktijk kunt gebruiken.<\/span><\/p>\n
 Voorbeeld: labels coderen in Python<\/strong><\/span><\/h2>\n
 Stel dat we het volgende panda’s DataFrame hebben dat informatie bevat over verschillende basketbalspelers:<\/span><\/p>\n
 import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'A', 'B', 'B', 'B', 'C', 'C', 'D'],\n                   ' position<\/span> ': ['G', 'F', 'G', 'F', 'F', 'G', 'G', 'F'],\n                   ' all_star<\/span> ': ['Y', 'N', 'Y', 'Y', 'Y', 'N', 'Y', 'N'],\n                   ' points<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n  team position all_star points\n0 AGY 11\n1 AFN 8\n2 BGY 10\n3 BFY 6\n4 BFY 6\n5 CGN 5\n6 CGY 9\n7 DFN 12\n<\/strong><\/span><\/pre>\n
 We kunnen de volgende code gebruiken om labelcodering uit te voeren om elke categorische waarde in de kolommen team<\/strong> , position<\/strong> en all_star<\/strong> om te zetten in gehele waarden:<\/span><\/p>\n
 from<\/span> sklearn. preprocessing<\/span> import<\/span> LabelEncoder\n\n#perform label encoding across team, position, and all_star columns\ndf[[' team<\/span> ', ' position<\/span> ', ' all_star<\/span> ']] = df[[' team<\/span> ', ' position<\/span> ', ' all_star<\/span> ']]. apply<\/span> (LabelEncoder(). fit_transform<\/span> )\n<\/span>\n#view udpated DataFrame\nprint<\/span> (df)\n\n   team position all_star points\n0 0 1 1 11\n1 0 0 0 8\n2 1 1 1 10\n3 1 0 1 6\n4 1 0 1 6\n5 2 1 0 5\n6 2 1 1 9\n7 3 0 0 12<\/span><\/span><\/strong><\/pre>\n
 Uit het resultaat kunnen we zien dat elke waarde van de kolommen team<\/strong> , position<\/strong> en all_star<\/strong> is geconverteerd naar gehele waarden.<\/span><\/p>\n
 In de teamkolom<\/strong> kunnen we bijvoorbeeld het volgende zien:<\/span><\/p>\n