Label-encoding

Werken met categorische data in Python

Kasey Jones

Research Data Scientist

Wat is label-encoding?

De basis:

Codeert elke categorie als een geheel getal van 0 t/m n - 1, waarbij n het aantal categorieën is
Code -1 is gereserveerd voor missende waarden
Bespaart geheugen
Vaak gebruikt in enquêtes

Het nadeel:

Niet de beste encodering voor machine learning (zie volgende les)

Codes maken

Zet om naar categorisch en sorteer op fabrikantnaam

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

Gebruik .cat.codes

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

Output controleren

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

Codeboeken / datadictionaries

Een voorbeeldcodeboek van de American Housing Survey.

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

Een codeboek maken

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',
 ...
}

Een codeboek gebruiken

Codes aanmaken:

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

Terugzetten naar oude waarden:

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

Booleaanse codering

Zoek alle carrosserietypes met "van":

# Code uit de vorige les:
used_cars["body_type"].str.contains("van", regex=False)

Maak een booleaanse codering:

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

Encoding-oefening

Werken met categorische data in Python