Klyngeringsalgoritmer som K-means krever numeriske data. Kategoriske egenskaper må konverteres til numerisk form ved hjelp av koding. Du vil lære om ordinal og one-hot encoding.

Ordinal koding

Ordinal koding konverterer ordnede kategorier til numeriske verdier, og bevarer deres rekkefølge. For eksempel vil ordinal koding av kolonnen 'education_level' transformere verdiene fra "High School", "Bachelor's", "Master's", 'PhD' til 0, 1, 2, 3.

Dette forutsetter en meningsfull numerisk forskjell mellom de kodede verdiene, noe som ikke alltid er korrekt.

from sklearn.preprocessing import OrdinalEncoder

education_levels = [['High School',
                     "Bachelor's",
                     "Master's",
                     "PhD"]]
encoder = OrdinalEncoder(categories=education_levels)

df[['education_encoded']] = encoder.fit_transform(df[['education_level']]) 

One-hot koding

One-hot koding konverterer nominale (uordnede) kategorier til binære kolonner, hvor hver kategori blir en ny kolonne. For en egenskap med n kategorier, opprettes det vanligvis n kolonner — én kolonne er 1 for den tilsvarende kategorien, og de andre er 0. Imidlertid er det kun nødvendig med n-1 kolonner for å representere informasjonen uten redundans.

For eksempel kan en 'color'-kolonne med verdiene 'red', 'blue' og 'green' kodes med kun to kolonner: 'color_red' og 'color_blue'. Hvis en rad har 0 i begge, innebærer det at fargen er 'green'. Ved å fjerne én kolonne unngår vi redundans.

Fjerning av den redundante kolonnen spesifiseres via drop='first':

from sklearn.preprocessing import OneHotEncoder 

encoder = OneHotEncoder(drop='first', sparse=False) 

encoded = encoder.fit_transform(df[['color']])