Clustering-algoritmen zoals K-means vereisen numerieke data. Categorische kenmerken moeten worden omgezet naar numerieke vorm via codering. Je leert over ordinale en one-hot encoding.

Ordinale Codering

Ordinale codering zet geordende categorieën om in numerieke waarden, waarbij hun rangorde behouden blijft. Bijvoorbeeld, ordinale codering van de kolom 'education_level' transformeert de waarden van "High School", "Bachelor's", "Master's", 'PhD' naar 0, 1, 2, 3.

Dit veronderstelt een betekenisvol numeriek verschil tussen de gecodeerde waarden, wat niet altijd accuraat hoeft te zijn.

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 Codering

One-hot codering zet nominale (ongeordende) categorieën om in binaire kolommen, waarbij elke categorie een nieuwe kolom wordt. Voor een kenmerk met n categorieën worden doorgaans n kolommen aangemaakt — één kolom is 1 voor de betreffende categorie, de overige zijn 0. Echter, slechts n-1 kolommen zijn daadwerkelijk nodig om de informatie zonder redundantie weer te geven.

Bijvoorbeeld, een kolom 'color' met waarden 'red', 'blue' en 'green' kan worden gecodeerd met slechts twee kolommen: 'color_red' en 'color_blue'. Als een rij 0 heeft in beide kolommen, betekent dit dat de kleur 'green' is. Door één kolom te verwijderen, voorkomen we redundantie.

Het verwijderen van de redundante kolom wordt gespecificeerd via drop='first':

from sklearn.preprocessing import OneHotEncoder 

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

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