Encodarea coloanelor categorice II: OneHotEncoder

Bun – ai encodat coloanele categorice numeric. Poți trece acum la utilizarea pipeline-urilor și XGBoost? Nu încă! În coloanele categorice ale acestui set de date, nu există o ordine naturală între valori. De exemplu: folosind LabelEncoder, cartierul CollgCr a fost encodat ca 5, Veenker ca 24, iar Crawfor ca 6. Este Veenker „mai mare" decât Crawfor și CollgCr? Nu – iar dacă permitem modelului să presupună o astfel de ordine naturală, performanța poate scădea semnificativ.

Prin urmare, mai este nevoie de un pas: trebuie să aplici o encodare one-hot pentru a crea variabile binare, cunoscute și ca variabile „dummy". Poți face acest lucru folosind OneHotEncoder din scikit-learn.

Acest exercițiu face parte din cursul

Gradient Boosting Extrem cu XGBoost

Vezi cursul

Instrucțiuni pentru exercițiu

Importă OneHotEncoder din sklearn.preprocessing.
Instanțiază un obiect OneHotEncoder numit ohe. Specifică argumentul cu nume sparse=False.
Folosind metoda .fit_transform(), aplică OneHotEncoder pe df și salvează rezultatul ca df_encoded. Rezultatul va fi un array NumPy.
Afișează primele 5 rânduri din df_encoded, apoi forma lui df și a lui df_encoded pentru a compara diferența.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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)

Editează și rulează codul