Pengodean label

Bekerja dengan Data Kategorikal di Python

Kasey Jones

Research Data Scientist

Apa itu pengodean label?

Dasar-dasar:

Mengode tiap kategori sebagai bilangan bulat dari 0 sampai n - 1, di mana n adalah jumlah kategori
Kode -1 dipakai untuk nilai hilang
Dapat menghemat memori
Sering dipakai dalam survei

Keterbatasan:

Bukan metode terbaik untuk machine learning (lihat pelajaran berikutnya)

Membuat kode

Ubah ke kategorikal dan urutkan menurut nama pabrikan

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

Gunakan .cat.codes

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

Periksa keluaran

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

Buku kode / kamus data

Contoh buku kode dari American Housing Survey.

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

Membuat buku kode

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',
 ...
}

Menggunakan buku kode

Membuat kode:

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

Kembali ke nilai awal:

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

Pengodean boolean

Cari semua tipe bodi yang memuat "van":

# Kode dari pelajaran sebelumnya:
used_cars["body_type"].str.contains("van", regex=False)

Buat pengodean boolean:

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

Latihan pengodean

Bekerja dengan Data Kategorikal di Python