Labelkodning

Arbeta med kategoriska data i Python

Kasey Jones

Research Data Scientist

Vad är labelkodning?

Grunderna:

Kodar varje kategori som ett heltal från 0 till n - 1, där n är antalet kategorier
Koden -1 är reserverad för saknade värden
Kan spara minnesplats
Används ofta i enkäter

Nackdelen:

Är inte den bästa kodningsmetoden för maskininlärning (se nästa lektion)

Skapa koder

Konvertera till kategorisk typ

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

Använd .cat.codes

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

Kontrollera utdata

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

Kodböcker / dataordlistor

Ett exempel på en kodbok från American Housing Survey.

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

Skapa en kodbok

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',
 ...
}

Använda en kodbok

Skapa koderna:

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

Återställ till ursprungliga värden:

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

Boolesk kodning

Hitta alla karosstyper som innehåller "van":

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

Skapa en boolesk kodning:

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

Nu kör vi en övning!

Arbeta med kategoriska data i Python