One-Hot Encoder
Bij nominale waarden is de verwerking iets complexer.
Voor ordinale data, zoals gebruikersbeoordelingen van 'Terrible' tot 'Great', is codering als getallen van 0 tot 4 geschikt omdat het model de inherente volgorde kan vastleggen.
Voor een kenmerk zoals 'city' met vijf verschillende categorieën zou codering als getallen van 0 tot 4 echter onterecht een volgorde suggereren. In dit geval is one-hot encoding een betere keuze, omdat het categorieën weergeeft zonder een hiërarchie te impliceren.
Voor het coderen van nominale data wordt de OneHotEncoder-transformer gebruikt. Deze maakt een kolom voor elke unieke waarde. Vervolgens wordt voor elke rij een 1 gezet in de kolom van de waarde van die rij en een 0 in de andere kolommen.
Wat oorspronkelijk 'NewYork' was, heeft nu 1 in de kolom 'City_NewYork' en 0 in de andere City_ kolommen.
Pas OneHotEncoder toe op de penguins dataset. De nominale kenmerken zijn 'island' en 'sex'. De kolom 'species' is het doel en wordt apart behandeld bij het bespreken van target encoding in het volgende hoofdstuk.
123456import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed.csv') print('island: ', df['island'].unique()) print('sex: ', df['sex'].unique())
Om OneHotEncoder toe te passen, het encoder-object initialiseren en de geselecteerde kolommen doorgeven aan .fit_transform(), op dezelfde wijze als bij andere transformators.
1234567891011import pandas as pd from sklearn.preprocessing import OneHotEncoder df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed.csv') # Assign X, y variables y = df['species'] X = df.drop('species', axis=1) # Initialize an OneHotEncoder object one_hot = OneHotEncoder() # Print transformed 'sex', 'island' columns print(one_hot.fit_transform(X[['sex', 'island']]).toarray())
De methode .toarray() zet de spaarzame matrix die door de OneHotEncoder wordt geproduceerd om in een dichte NumPy-array. Dichte arrays tonen alle waarden expliciet, waardoor visualisatie en bewerking van de gecodeerde gegevens binnen een DataFrame eenvoudiger wordt. Spaarzame matrices slaan alleen niet-nul elementen op, wat het geheugengebruik optimaliseert. Deze methode kan worden weggelaten om het verschil in uitvoer te zien.
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Geweldig!
Completion tarief verbeterd naar 4.55One-Hot Encoder
Veeg om het menu te tonen
Bij nominale waarden is de verwerking iets complexer.
Voor ordinale data, zoals gebruikersbeoordelingen van 'Terrible' tot 'Great', is codering als getallen van 0 tot 4 geschikt omdat het model de inherente volgorde kan vastleggen.
Voor een kenmerk zoals 'city' met vijf verschillende categorieën zou codering als getallen van 0 tot 4 echter onterecht een volgorde suggereren. In dit geval is one-hot encoding een betere keuze, omdat het categorieën weergeeft zonder een hiërarchie te impliceren.
Voor het coderen van nominale data wordt de OneHotEncoder-transformer gebruikt. Deze maakt een kolom voor elke unieke waarde. Vervolgens wordt voor elke rij een 1 gezet in de kolom van de waarde van die rij en een 0 in de andere kolommen.
Wat oorspronkelijk 'NewYork' was, heeft nu 1 in de kolom 'City_NewYork' en 0 in de andere City_ kolommen.
Pas OneHotEncoder toe op de penguins dataset. De nominale kenmerken zijn 'island' en 'sex'. De kolom 'species' is het doel en wordt apart behandeld bij het bespreken van target encoding in het volgende hoofdstuk.
123456import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed.csv') print('island: ', df['island'].unique()) print('sex: ', df['sex'].unique())
Om OneHotEncoder toe te passen, het encoder-object initialiseren en de geselecteerde kolommen doorgeven aan .fit_transform(), op dezelfde wijze als bij andere transformators.
1234567891011import pandas as pd from sklearn.preprocessing import OneHotEncoder df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed.csv') # Assign X, y variables y = df['species'] X = df.drop('species', axis=1) # Initialize an OneHotEncoder object one_hot = OneHotEncoder() # Print transformed 'sex', 'island' columns print(one_hot.fit_transform(X[['sex', 'island']]).toarray())
De methode .toarray() zet de spaarzame matrix die door de OneHotEncoder wordt geproduceerd om in een dichte NumPy-array. Dichte arrays tonen alle waarden expliciet, waardoor visualisatie en bewerking van de gecodeerde gegevens binnen een DataFrame eenvoudiger wordt. Spaarzame matrices slaan alleen niet-nul elementen op, wat het geheugengebruik optimaliseert. Deze methode kan worden weggelaten om het verschil in uitvoer te zien.
Bedankt voor je feedback!
