文字カテゴリデータ処理

機械学習アルゴリズムは文字列データ属性の入力を受け入れず、すべてのデータを数値で表さなければならない.したがって、文字型カテゴリ属性はすべて数値値に変換/符号化する必要があります.
scikit-learningを用いた変換方式は2種類ある.

ラベルコード

いちじねつコーディング

この2つの違いは一目瞭然です.

今、一つ一つよく見てみましょう.

ラベルコード

Label Encodeは、特徴のタイプに応じて数値を付与します.수행 방법

from sklearn.preprocessing import LabelEncoder
items=['트와이스','BTS','레드벨벳','신화','GOD','GOD']

# LabelEncoder를 객체로 생성 -> fit() -> transform()
encoder = LabelEncoder()
encoder.fit(items)
labels = encoder.transform(items)
print('인코딩 변환값:',labels)

결과값

[4, 0, 2, 3, 1, 1]

ラベルコーディングの問題

バッチ値に変換すると、予測パフォーマンスが低下する可能性があります.
->数値のサイズプロパティ

線形回帰などのMLアルゴリズムには適用されません(ツリー系列のMLアルゴリズムは数字のこれらの特性を反映しないので大丈夫です)

いちじねつコーディング

1-ホットコーディングは、featureのタイプに応じて新しい特徴を追加し、固有値に対応するコラムにのみ1を表示し、残りのコラムに0を表示する方法です.
scikit-learnの方法とパンダの方法は2種類あります.

1.sklearningによる一元熱符号化

一熱符号化を行う前に、まずラベル符号化を行う.

from sklearn.preprocessing import OneHotEncoder
import numpy as np
items=['트와이스','BTS','레드벨벳','신화','GOD','GOD']

# 먼저 LabelEncoder로 변환 
encoder = LabelEncoder()
encoder.fit(items)
labels = encoder.transform(items)

# 2차원 데이터로 변환 
labels = labels.reshape(-1,1)

# 원-핫 인코딩을 적용
oh_encoder = OneHotEncoder()
oh_encoder.fit(labels)
oh_labels = oh_encoder.transform(labels)

2. pd.get_dummies()

import pandas as pd
df = pd.DataFrame({'item':['트와이스','BTS','레드벨벳','신화','GOD','GOD'] })

# 원핫인코딩 실행
pd.get_dummies(df)

ソース
https://john-analyst.medium.com/%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%A0%84%EC%B2%98%EB%A6%AC-%EB%A0%88%EC%9D%B4%EB%B8%94-%EC%9D%B8%EC%BD%94%EB%94%A9%EA%B3%BC-%EC%9B%90%ED%95%AB-%EC%9D%B8%EC%BD%94%EB%94%A9-f0220df21df1