Encoder les variables catégorielles et mettre à l'échelle les variables numériques
Dans cette dernière étape, vous effectuerez un encodage one-hot sur les variables catégorielles, puis vous mettrez à l'échelle les colonnes numériques. La bibliothèque pandas a été chargée pour vous sous le nom pd, de même que le module StandardScaler du module sklearn.preprocessing.
Le jeu de données brut de désabonnement télécom telco_raw a été chargé pour vous sous forme de DataFrame pandas, ainsi que les listes custid, target, categorical et numerical contenant les noms de colonnes que vous avez créés dans l'exercice précédent. Pour vous familiariser avec le jeu de données, explorez-le dans la console.
Cette activité fait partie du cours
Machine Learning pour le marketing en Python
Instructions de l’exercice
- Effectuez un encodage one-hot sur les variables catégorielles.
- Initialisez une instance de
StandardScaler. - Appliquez un fit et une transformation du
scalersur les colonnes numériques. - Construisez un DataFrame à partir de
scaled_numerical.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Perform one-hot encoding to categorical variables
telco_raw = pd.get_dummies(data = ___, columns = categorical, drop_first=True)
# Initialize StandardScaler instance
scaler = ___()
# Fit and transform the scaler on numerical columns
scaled_numerical = ___.fit_transform(telco_raw[___])
# Build a DataFrame from scaled_numerical
scaled_numerical = pd.DataFrame(___, columns=numerical)