Кодування міток

Робота з категоріальними даними в Python

Kasey Jones

Research Data Scientist

Що таке кодування міток?

Основи:

Кодує кожну категорію цілими від 0 до n - 1, де n — кількість категорій
Код -1 зарезервовано для пропусків
Дозволяє заощадити пам'ять
Часто використовується в опитуваннях

Мінус:

Не найкращий метод для машинного навчання (див. наступний урок)

Створення кодів

Перетворіть на категоріальний тип і відсортуйте за назвою виробника

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

Використайте .cat.codes

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

Перевірте результат

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

Кодові книги / словники даних

Зразок кодової книги з American Housing Survey.

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

Створення кодової книги

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',
 ...
}

Використання кодової книги

Створення кодів:

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

Повернення попередніх значень:

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

Булеве кодування

Знайдіть усі типи кузова, що містять «van»:

# Код з попереднього уроку:
used_cars["body_type"].str.contains("van", regex=False)

Створіть булеве кодування:

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

Практика кодування

Робота з категоріальними даними в Python