One-hot кодування кредитних даних

Час підготувати нечислові стовпці, щоб їх можна було додати до вашої моделі LogisticRegression().

Після створення нових стовпців за допомогою one-hot кодування ви можете об'єднати їх із числовими стовпцями, щоб сформувати новий датафрейм. Його ви використовуватимете надалі в курсі для прогнозування ймовірності дефолту.

Пам'ятайте: застосовуйте one-hot кодування лише до нечислових стовпців. Якщо зробити це для числових, набір даних стане надзвичайно «широким»!

Кредитні дані cr_loan_clean уже завантажено в робочу область.

Ця вправа є частиною курсу

Моделювання кредитного ризику в Python

Переглянути курс

Інструкції до вправи

Створіть набір даних для всіх числових стовпців під назвою cred_num і для нечислових — під назвою cred_str.
Застосуйте one-hot кодування до cred_str, щоб створити новий набір даних cred_str_onehot.
Об'єднайте cred_num із новими one-hot закодованими даними та збережіть результат як cr_loan_prep.
Виведіть назви стовпців нового набору даних.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create two data sets for numeric and non-numeric data
____ = ____.select_dtypes(exclude=['object'])
____ = ____.select_dtypes(include=['object'])

# One-hot encode the non-numeric columns
____ = pd.____(____)

# Union the one-hot encoded columns to the numeric ones
____ = pd.concat([____, ____], axis=1)

# Print the columns in the new data set
print(____.columns)

Редагувати та запускати код