Kom igångKom igång gratis

Kategoriska kodningar

Din kollega har konverterat kolumnerna i kreditdatamängden till numeriska värden med hjälp av LabelEncoder(). Han utelämnade en: credit_history, som registrerar sökandens kredithistorik. Du vill skapa två versioner av datamängden – en med LabelEncoder() och en med one-hot-kodning – för jämförelseändamål. Särdragsmatrisen finns tillgänglig som credit. Du har LabelEncoder() förladdat och pandas som pd.

Den här övningen är en del av kursen

Att designa maskininlärningsflöden i Python

Visa kurs

Övningsinstruktioner

  • Koda credit_history med hjälp av LabelEncoder().
  • Konkatenera resultatet till den ursprungliga dataramen.
  • Skapa en ny dataram genom att konkatenera one-hot-kodningens dummyvariabler till den ursprungliga dataramen.
  • Bekräfta att one-hot-kodning ger fler kolumner än labelkodning.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create numeric encoding for credit_history
credit_history_num = ____.____(
  credit[____])

# Create a new feature matrix including the numeric encoding
X_num = pd.concat([X, pd.Series(____)], ____)

# Create new feature matrix with dummies for credit_history
X_hot = pd.concat(
  [X, ____.____(credit[____])], ____)

# Compare the number of features of the resulting DataFrames
print(X_hot.shape[____] > X_num.shape[____])
Redigera och kör kod