Codificación por etiquetas

Trabajar con datos categóricos en Python

Kasey Jones

Research Data Scientist

¿Qué es la codificación por etiquetas?

Lo básico:

  • Codifica cada categoría como un entero de 0 a n - 1, donde n es el número de categorías
  • El código -1 se reserva para los valores perdidos
  • Puede ahorrar memoria
  • Muy usado en encuestas

La desventaja:

  • No es el mejor método para machine learning (ver la siguiente lección)
Trabajar con datos categóricos en Python

Crear códigos

Convierte a categórica y ordena por fabricante

used_cars['manufacturer_name'] = used_cars['manufacturer_name'].astype("category")

Usa .cat.codes

used_cars['manufacturer_code'] = used_cars['manufacturer_name'].cat.codes
Trabajar con datos categóricos en Python

Comprobar salida

print(used_cars[['manufacturer_name', 'manufacturer_code']])

      manufacturer_name  manufacturer_code
0                Subaru                 45
1                Subaru                 45
2                Subaru                 45
...                 ...                ...
38526          Chrysler                  8
38527          Chrysler                  8
Trabajar con datos categóricos en Python

Libros de códigos / diccionarios de datos

Un ejemplo de libro de códigos de la American Housing Survey.

1 https://www.census.gov/data-tools/demo/codebook/ahs/ahsdict.html
Trabajar con datos categóricos en Python

Crear un libro de códigos

codes = used_cars['manufacturer_name'].cat.codes
categories = used_cars['manufacturer_name']

name_map = dict(zip(codes, categories))

print(name_map)

{45: 'Subaru',
 24: 'LADA',
 12: 'Dodge',
 ...
}
Trabajar con datos categóricos en Python

Usar un libro de códigos

Crear los códigos:

used_cars['manufacturer_code'] = used_cars['manufacturer_name'].cat.codes

Volver a los valores previos:

used_cars['manufacturer_code'].map(name_map)

0        Acura
1        Acura
2        Acura
...
1 https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.map.html
Trabajar con datos categóricos en Python

Codificación booleana

Encuentra todos los tipos de carrocería que contienen "van":

# Código de la lección anterior:
used_cars["body_type"].str.contains("van", regex=False)

Crea una codificación booleana:

used_cars["van_code"] = np.where(
  used_cars["body_type"].str.contains("van", regex=False), 1, 0)

used_cars["van_code"].value_counts()

0    34115
1     4416
Name: van_code, dtype: int64
Trabajar con datos categóricos en Python

Práctica de codificación

Trabajar con datos categóricos en Python

Preparing Video For Download...