Codificação por rótulos

Trabalhando com dados categóricos em Python

Kasey Jones

Research Data Scientist

O que é codificação por rótulos?

O básico:

Codifica cada categoria como um inteiro de 0 a n - 1, onde n é o número de categorias
O código -1 é reservado para ausentes
Pode economizar memória
Muito usado em pesquisas

A desvantagem:

Não é o melhor método para machine learning (veja a próxima lição)

Criando códigos

Converta para categórico e ordene por fabricante

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

Use .cat.codes

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

Checar saída

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

Code books / dicionários de dados

Um exemplo de code book da American Housing Survey.

¹ https://www.census.gov/data-tools/demo/codebook/ahs/ahsdict.html

Criando um code book

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',
 ...
}

Usando um code book

Criando os códigos:

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

Voltando aos valores originais:

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

Codificação booleana

Encontre todos os tipos de carroceria que têm "van":

# Código da lição anterior:
used_cars["body_type"].str.contains("van", regex=False)

Crie uma codificação 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

Prática de codificação

Trabalhando com dados categóricos em Python