Jak wykonać kodowanie one-hot w pythonie

Kodowanie typu one-hot służy do konwertowania zmiennych kategorycznych do formatu, który może być łatwo wykorzystany przez algorytmy uczenia maszynowego .

Podstawową ideą kodowania one-hot jest utworzenie nowych zmiennych, które przyjmują wartości 0 i 1 w celu reprezentowania oryginalnych wartości kategorycznych.

Na przykład poniższy obraz pokazuje, w jaki sposób kodujemy jednorazowo, aby przekonwertować zmienną kategorialną zawierającą nazwy zespołów na nowe zmienne zawierające tylko wartości 0 i 1:

Poniższy przykład krok po kroku pokazuje, jak wykonać jednoetapowe kodowanie dla dokładnie tego zestawu danych w Pythonie.

Krok 1: Utwórz dane

Najpierw utwórzmy następującą ramkę DataFrame pandy:

 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

Krok 2: Wykonaj kodowanie na gorąco

Następnie zaimportujmy funkcję OneHotEncoder() z biblioteki sklearn i użyjmy jej do wykonania kodowania na gorąco w zmiennej „team” w ramce DataFrame pand:

 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

Należy zauważyć, że do ramki DataFrame dodano trzy nowe kolumny, ponieważ oryginalna kolumna „zespół” zawierała trzy unikalne wartości.

Uwaga : pełną dokumentację funkcji OneHotEncoder() można znaleźć tutaj .

Krok 3: Usuń oryginalną zmienną kategoryczną

Na koniec możemy usunąć oryginalną zmienną „zespół” z ramki DataFrame, ponieważ już jej nie potrzebujemy:

 #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

Powiązane: Jak usunąć kolumny w Pandach (4 metody)

Moglibyśmy również zmienić nazwy kolumn końcowej ramki danych, aby były łatwiejsze do odczytania:

 #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

Kodowanie „one-hot” zostało ukończone i możemy teraz wstawić tę ramkę DataFrame pandy do dowolnego algorytmu uczenia maszynowego.

Dodatkowe zasoby

Jak obliczyć średnią obciętą w Pythonie
Jak wykonać regresję liniową w Pythonie
Jak przeprowadzić regresję logistyczną w Pythonie