Kódování štítků

Working with Categorical Data in Python

Kasey Jones

Research Data Scientist

Co je kódování štítků?

Základy:

Každou kategorii kóduje jako celé číslo od 0 do n - 1, kde n je počet kategorií
Kód -1 je vyhrazen pro chybějící hodnoty
Může snížit paměťové nároky
Často se používá v průzkumech

Nevýhoda:

Není nejlepší metodou kódování pro strojové učení (viz další lekce)

Vytvoření kódů

Převod na kategorický typ a seřazení podle názvu výrobce

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

Použití .cat.codes

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

Ověření výstupu

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

Kódové knihy / datové slovníky

Ukázka kódové knihy z American Housing Survey.

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

Vytvoření kódové knihy

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',
 ...
}

Použití kódové knihy

Vytvoření kódů:

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

Návrat k původním hodnotám:

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

Booleovské kódování

Nalezení všech typů karoserie obsahujících „van":

# Code from previous lesson:
used_cars["body_type"].str.contains("van", regex=False)

Vytvoření booleovského kódování:

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

Procvičení kódování

Working with Categorical Data in Python