Алгоритми кластеризації, такі як K-means, потребують числових даних. Категоріальні ознаки необхідно перетворити у числову форму за допомогою кодування. Ви ознайомитеся з порядковим та one-hot кодуванням.

Порядкове кодування

Порядкове кодування перетворює впорядковані категорії у числові значення, зберігаючи їх ранг. Наприклад, порядкове кодування стовпця 'education_level' перетворить його значення з "High School", "Bachelor's", "Master's", 'PhD' на 0, 1, 2, 3.

Це передбачає осмислену числову різницю між закодованими значеннями, що не завжди є коректним.

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 кодування

One-hot кодування перетворює номінативні (невпорядковані) категорії у бінарні стовпці, де кожна категорія стає новим стовпцем. Для ознаки з n категоріями зазвичай створюється n стовпців — один стовпець дорівнює 1 для відповідної категорії, інші — 0. Однак для уникнення надлишковості достатньо лише n-1 стовпців.

Наприклад, стовпець 'color' зі значеннями 'red', 'blue' та 'green' можна закодувати лише двома стовпцями: 'color_red' та 'color_blue'. Якщо у рядку обидва значення дорівнюють 0, це означає, що колір — 'green'. Видалення надлишкового стовпця здійснюється через параметр drop='first':

from sklearn.preprocessing import OneHotEncoder 

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

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