Summary  
This chapter explains how to identify and convert different data types—numerical, categorical (ordinal vs. nominal), and date/time—into numerical values suitable for processing.  

General domain of usage  
Machine learning data preprocessing

Jokaisella koulutusjoukon sarakkeella (ominaisuudella) on siihen liittyvä tietotyyppi. Nämä tietotyypit voidaan ryhmitellä **numeerisiin**, **kategorisiin** ja **päivämäärä- ja/tai aika** -tyyppeihin.

Useimmat koneoppimisalgoritmit toimivat hyvin vain **numeerisen datan** kanssa, joten kategoriset ja aika-arvot täytyy muuntaa numeroiksi.

Päivämäärä- ja aikatiedoista voidaan tehtävän mukaan poimia ominaisuuksia, kuten `'year'`, `'month'` ja vastaavat. Nämä ovat jo **numeerisia arvoja**, joten niitä voidaan käyttää suoraan.


Kategorinen data on hieman haastavampaa käsitellä.

## Kategorisen datan tyypit

Kategorinen data jaetaan kahteen tyyppiin:

- **Ordinaalinen data** on kategorista dataa, jossa luokilla on luonnollinen järjestys. Esimerkiksi koulutustaso (alakoulusta tohtorintutkintoon) tai arviot (erittäin huono – erittäin hyvä) jne.;

- **Nominaalinen data** on kategorista dataa, jossa luokilla ei ole luonnollista järjestystä. Esimerkiksi nimi, sukupuoli, kotimaa jne.

Ordinaalisten ja nominaalisten tietotyyppien muuntaminen numeerisiksi arvoiksi vaatii erilaisia lähestymistapoja, joten ne on käsiteltävä erikseen.


Päivämäärien muuntamiseen numeerisiksi arvoiksi on olemassa parempia tapoja, jotka eivät kuulu tämän johdantokurssin piiriin. Esimerkiksi, jos käytämme vain `'month'`-ominaisuutta, se ei huomioi sitä, että **12.** kuukausi on todellisuudessa lähempänä **1.** kuin **9.** kuukautta.

Lisätietoa

Koneoppimista käytetään nykyään kaikkialla. Haluatko oppia sen itse? Tämä kurssi on johdatus koneoppimisen maailmaan, jossa opit peruskäsitteet, työskentelet Scikit-learnin – suosituimman ML-kirjaston – kanssa ja rakennat ensimmäisen koneoppimisprojektisi.
Kurssi on tarkoitettu opiskelijoille, joilla on perustiedot Pythonista, Pandasista ja Numpysta.

Koneoppimisen käsitteiden ja ML-projektin työnkulun oppiminen.

Esikäsittely on todennäköisesti tärkein vaihe ML-projektissa. Tämä luku käsittelee esikäsittelyvaiheet, joita tarvitaan lähes kaikissa aineistoissa.

Putkisto on kätevä tapa yhdistää kaikki esikäsittelyvaiheet sekä malli. Putkistot helpottavat huomattavasti mallin kouluttamista ja käyttöä.

Mallintaminen on ML-projektin viihdyttävin vaihe. Opitaan rakentamaan, hienosäätämään ja arvioimaan mallia!

Datan Tyypit

Kategorisen datan tyypit