Codificación de columnas categóricas II: OneHotEncoder

De acuerdo: ya tienes tus columnas categóricas codificadas numéricamente. ¿Puedes pasar ahora a usar pipelines y XGBoost? ¡Aún no! En las columnas categóricas de este conjunto de datos, no existe un orden natural entre las categorías. Por ejemplo: usando LabelEncoder, el Neighborhood CollgCr se codificó como 5, mientras que el Neighborhood Veenker se codificó como 24, y Crawfor como 6. ¿Es Veenker "mayor" que Crawfor y CollgCr? No, y permitir que el modelo suponga este orden natural puede empeorar el rendimiento.

Por ello, falta otro paso: tienes que aplicar una codificación one-hot para crear variables binarias o "ficticias". Puedes hacerlo con el OneHotEncoder de scikit-learn.

Este ejercicio forma parte del curso

Extreme Gradient Boosting con XGBoost

Ver curso

Instrucciones del ejercicio

Importa OneHotEncoder de sklearn.preprocessing.
Crea una instancia de OneHotEncoder llamada ohe. Especifica el argumento sparse=False.
Usando su método .fit_transform(), aplica el OneHotEncoder a df y guarda el resultado como df_encoded. La salida será un array de NumPy.
Imprime las 5 primeras filas de df_encoded y, después, la forma (shape) de df y de df_encoded para comparar la diferencia.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Import OneHotEncoder
____

# Create OneHotEncoder: ohe
ohe = ____

# Apply OneHotEncoder to categorical columns - output is no longer a dataframe: df_encoded
df_encoded = ____

# Print first 5 rows of the resulting dataset - again, this will no longer be a pandas dataframe
print(df_encoded[:5, :])

# Print the shape of the original DataFrame
print(df.shape)

# Print the shape of the transformed array
print(df_encoded.shape)

Editar y ejecutar código