Lucrul cu variabile categoriale

Ingineria caracteristicilor pentru Machine Learning în Python

Robert O'Callaghan

Director of Data Science, Ordergroove

Codificarea caracteristicilor categoriale

Ingineria caracteristicilor pentru Machine Learning în Python

Codificarea caracteristicilor categoriale

Ingineria caracteristicilor pentru Machine Learning în Python

Codificarea caracteristicilor categoriale

  • Codificare one-hot
  • Codificare dummy
Ingineria caracteristicilor pentru Machine Learning în Python

Codificare one-hot

pd.get_dummies(df, columns=['Country'], 
               prefix='C')

    C_France    C_India    C_UK    C_USA
0          0          1       0        0
1          0          0       0        1
2          0          0       1        0
3          0          0       1        0
4          1          0       0        0
Ingineria caracteristicilor pentru Machine Learning în Python

Codificare dummy

pd.get_dummies(df, columns=['Country'],
               drop_first=True, prefix='C')

     C_India    C_UK    C_USA
0          1       0        0
1          0       0        1
2          0       1        0
3          0       1        0
4          0       0        0
Ingineria caracteristicilor pentru Machine Learning în Python

One-hot vs. dummy

  • Codificare one-hot: Caracteristici explicabile
  • Codificare dummy: Informații necesare fără duplicare
Ingineria caracteristicilor pentru Machine Learning în Python
Index Sex
0 Male
1 Female
2 Male
Index Male Female
0 1 0
1 0 1
2 1 0
Index Male
0 1
1 0
2 1
Ingineria caracteristicilor pentru Machine Learning în Python

Limitarea coloanelor

counts = df['Country'].value_counts()
print(counts)

'USA'      8
'UK'       6
'India'    2
'France'   1
Name: Country, dtype: object
Ingineria caracteristicilor pentru Machine Learning în Python

Limitarea coloanelor

mask = df['Country'].isin(counts[counts < 5].index)

df['Country'][mask] = 'Other'

print(pd.value_counts(colors))

'USA'      8
'UK'       6
'Other'    3
Name: Country, dtype: object
Ingineria caracteristicilor pentru Machine Learning în Python

Acum lucrați cu variabile categoriale

Ingineria caracteristicilor pentru Machine Learning în Python

Preparing Video For Download...