ML |一次热编码处理分类数据参数
原文:https://www.geesforgeks.org/ml-one-hot-encoding-of-dataset-in-python/
有时在数据集中，我们会遇到包含分类特征(字符串值)的列，例如参数性别会有像男、女这样的分类参数。这些标签没有特定的优先顺序，而且由于数据是字符串标签，机器学习模型不能处理这些数据。
解决这个问题的一种方法是标签编码，我们将为这些标签分配一个数值，例如男性和女性映射到 0 和 1 。但这可能会增加我们模型中的偏差，因为它将开始给予女性参数更高的优先级，如 1 > 0，理想情况下，两个标签在数据集中同等重要。为了解决这个问题，我们将使用一个热编码技术。
一种热编码:
在这种技术中，我们每个分类参数，它将为标签为的男性和的女性 准备单独的列。所以，每当性别中有男时，男列为 1，女列为 0，反之亦然。
我们用一个例子来理解:
考虑给出水果及其相应分类价值和价格的数据。
| 水果 | 水果的分类价值 | 价格 |
|---|---|---|
| 苹果 | one | five |
| 芒果 | Two | Ten |
| 苹果 | one | Fifteen |
| 橙色的 | three | Twenty |
The output after one hot encoding the data is given as follows,
| 苹果 | 芒果 | 橙色的 | 价格 |
|---|---|---|---|
| one | Zero | Zero | five |
| Zero | one | Zero | Ten |
| one | Zero | Zero | Fifteen |
| Zero | Zero | one | Twenty |
代码:一热编码技术的 Python 代码实现 加载数据
# Program for demonstration of one hot encoding
# import libraries
import numpy as np
import pandas as pd
# import the data required
data = pd.read_csv("employee_data.csv")
print(data.head())
输出:
检查分类参数中的标签
print(data['Gender'].unique())
print(data['Remarks'].unique())
输出:
array(['Male', 'Female'], dtype=object)
array(['Nice', 'Good', 'Great'], dtype=object)
检查分类参数中的标签计数
data['Gender'].value_counts()
data['Remarks'].value_counts()
输出:
Female 7
Male 5
Name: Gender, dtype: int64
Nice 5
Great 4
Good 3
Name: Remarks, dtype: int64
使用 get_dummies() 对分类参数进行一键编码
one_hot_encoded_data = pd.get_dummies(data, columns = ['Remarks', 'Gender'])
print(one_hot_encoded_data)
输出:
我们可以观察到数据中有 3 备注和 2 性别列。但是，如果它有 n 唯一标签，您可以只使用 n-1 列来定义参数。例如，如果我们只保留性别_女性列，并删除性别_男性列，那么我们也可以传达整个信息，因为当标签为 1 时，它意味着女性，当标签为 0 时，它意味着男性。这样，我们可以对分类数据进行编码，并减少参数的数量。
