Автор оригинала: Pankaj Kumar.
Здравствуйте, читатели! В этой статье мы будем сосредоточиться на Этикетка кодировка в питоне.
В нашей последней статье мы поняли работу и реализацию одной горячей кодировки, в которой кодировка этикетки является начальным этапом процесса.
Сегодня мы посмотрим на один из самых фундаментальных шагов в категорическом кодировке значений данных.
Итак, без какой-либо дальнейшей задержки, давайте начнем!
Что такое метка кодировки в Python?
Перед погружением глубоко в концепцию лейбла, кодируя, давайте понять влияние концепции «этикетки» на набор данных.
А этикетка на самом деле число или строка, представляющая определенный набор объектов. Ярлыки помогают модели лучше понять набор данных и позволяет моделировать более сложные структуры.
Рекомендуемые – Как стандартизировать наборы данных для машинного обучения?
Энкодер этикетки Выполняет преобразование этих меток категорических данных в числовой формат.
Например, если набор данных содержит переменную «гендер» с метками «мужской» и «женскую» и «женскую» и «лейбл» преобразует эти этикетки в формат числа, и результирующий результат будет [0,1].
Таким образом, путем преобразования меток в целочисленный формат, модель обучения машины может иметь лучшее понимание с точки зрения работы набора данных.
Кодировка на этикетке – синтаксис, чтобы узнать!
Python Библиотека Sklearn Предоставляет нам предварительно определенную функцию для выполнения метки, кодирующейся на наборе данных.
Синтаксис:
from sklearn import preprocessing object = preprocessing.LabelEncoder()
Здесь мы создаем объект класса LabelenCoder, а затем используйте объект для нанесения этикетки, кодирующейся на данных.
1. Этикетка, кодирующая с sklearn
Давайте направимся в процесс на этикетке кодировки. Первый шаг к кодированию набора данных – это набор данных.
Итак, мы создадим здесь простой набор данных. Пример: создание набора данных
import pandas as pd
data = {"Gender":['M','F','F','M','F','F','F'], "NAME":['John','Camili','Rheana','Joseph','Amanti','Alexa','Siri']}
block = pd.DataFrame(data)
print("Original Data frame:\n")
print(block)
Здесь мы создали Словарь «Данные», а затем преобразовали его в DataFrame, используя Pandas.dataframe () функция.
Выход:
Original Data frame: Gender NAME 0 M John 1 F Camili 2 F Rheana 3 M Joseph 4 F Amanti 5 F Alexa 6 F Siri
Из вышеуказанного набора данных ясно, что имеет метки переменной «Gender», как «M» и «F».
Далее, теперь давайте импортируем LabelenCoder Класс и применяя его на переменной Gender из набора данных.
from sklearn import preprocessing label = preprocessing.LabelEncoder() block['Gender']= label.fit_transform(block['Gender']) print(block['Gender'].unique())
Мы использовали fit_transform () Метод Чтобы применить функциональность кодера этикетки, указанным на объект к переменной данных.
Выход:
[1 0]
Итак, вы видите, данные были преобразованы в целочисленные этикетки [0,1].
print(block)
Выход:
Gender NAME 0 1 John 1 0 Camili 2 0 Rheana 3 1 Joseph 4 0 Amanti 5 0 Alexa 6 0 Siri
2. Этикетки, кодирующие с использованием кодов категории
Давайте сначала проверьте тип данных переменных нашего набора данных.
block.dtypes
Тип данных :
Gender object NAME object dtype: object
Теперь преобразуйте и преобразуйте тип данных переменной «Gender» на категория тип.
block['Gender'] = block['Gender'].astype('category')
block.dtypes
Gender category NAME object dtype: object
Теперь, давайте трансформируем этикетки в целочисленные типы, используя pandas.dataframe.cat.codes функция.
block['Gender'] = block['Gender'].cat.codes
print(block)
Как видно ниже, вариабельная «пол» была закодирована к целочисленным значениям [0,1].
Gender NAME 0 1 John 1 0 Camili 2 0 Rheana 3 1 Joseph 4 0 Amanti 5 0 Alexa 6 0 Siri
Заключение
По этому, мы подошли к концу этой темы. Не стесняйтесь комментировать ниже, если вы столкнетесь с любым вопросом.
Для более глубокого понимания темы, попробуйте внедрить концепцию концепции лейблакодер на разных данных и переменных. Дайте нам знать свой опыт в разделе комментариев! 🙂.
Для большего количества таких постов, связанных с Python, оставаться настроенными, а до тех пор, как потом, счастливое обучение !! 🙂.