Préparer les données pour le modélisme

Machine Learning pour le marketing en Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Échantillon de données

telco_raw.head()

En-tête des données télécom

Types de données

telco_raw.dtypes

customerID           object
gender               object
SeniorCitizen        object
Partner              object
Dependents           object
tenure                int64
PhoneService         object
MultipleLines        object
InternetService      object

OnlineSecurity       object
OnlineBackup         object
DeviceProtection     object
TechSupport          object
StreamingTV          object
StreamingMovies      object
Contract             object
PaperlessBilling     object
PaymentMethod        object
MonthlyCharges      float64
TotalCharges        float64
Churn                object

Séparer colonnes catégorielles et numériques

Séparer l'identifiant et la cible dans des listes

custid = ['customerID']
target = ['Churn']

Séparer les colonnes catégorielles et numériques en listes

categorical = telco_raw.nunique()[telcom.nunique()<10].keys().tolist()

categorical.remove(target[0])

numerical = [col for col in telco_raw.columns 
                     if col not in custid+target+categorical]

Encodage one-hot

Voici une colonne typiquement de type catégoriel

Couleur
Rouge
Blanc
Bleu
Rouge

Résultat de l'encodage one-hot

Voici le résultat après encodage one-hot.

Couleur		Rouge	Blanc	Bleu
Rouge	---------->	1	0	0
Blanc	---------->	0	1	0
Bleu	---------->	0	0	1
Rouge	---------->	1	0	0

Encodage one-hot des variables catégorielles

Encoder en one-hot les variables catégorielles

telco_raw = pd.get_dummies(data=telco_raw, columns=categorical, drop_first=True)

Mettre à l'échelle les variables numériques

# Import StandardScaler library
from sklearn.preprocessing import StandardScaler

# Initialize StandardScaler instance
scaler = StandardScaler()

# Fit the scaler to numerical columns
scaled_numerical = scaler.fit_transform(telco_raw[numerical])

# Build a DataFrame
scaled_numerical = pd.DataFrame(scaled_numerical, columns=numerical)

Réunir le tout

# Drop non-scaled numerical columns 
telco_raw = telco_raw.drop(columns=numerical, axis=1)

# Merge the non-numerical with the scaled numerical data
telco = telco_raw.merge(right=scaled_numerical,
                        how='left',
                        left_index=True, 
                        right_index=True
                        )

Passons à la pratique du prétraitement !

Machine Learning pour le marketing en Python