標籤編碼、獨熱編碼大不同 - Python 實現

威威不想說話發表於2019-01-25

對於新手在做資料的特徵工程時,會看到 Label Encoding 或 One Hot Encoding 兩種對於類別行資料的編碼方式,那他們之間究竟有什麼不同呢?

直接講結論:

  • 原始資料是有序離散值的話 => Label Encoding
  • 原始資料是無序離散值的話 => One Hot Encoding (Dummies)

以下分為兩點說明:

為什麼要將離散轉數值?

因為大部分的模型都是基於數學運算,所以字串資料是無法運算的

為什麼要將無序轉 One-Hot?

所謂數學運算一般泛指用距離代表相似(幾何觀點),意思是會用轉換後的兩個值的差距作為其相似程度。

如果將性別欄位的男/女轉換成 0, 1 ,二元的沒問題 如果講水果這個無序欄位中的頻果、香蕉、西瓜,Label 成0, 1, 2 會隱含著「香蕉跟蘋果」比「西瓜跟蘋果」還要相似的意義,但這樣是錯誤的。 如果是年齡這個有序欄位的老年、中年、少年,Label 成 0, 1, 2 就很恰當,到如果硬轉成 One-Hot 反而將這個差距關係給拿掉。

在 Python 中實現

很巧的是,在 Python Pandas 跟 SciKit-Learn 兩個套件中都有提供編碼的操作。以下分別示範用法的不同:

① LabelEncoding

df = pd.DataFrame({'size':['XXL', 'XL', 'L', 'M', 'S']})

# Using Pandas
import pandas as pd 
cat = pd.Categorical(df['size'], categories=df['size'].unique(), ordered=True))
df['size_code'] = cat.codes

# Using sklearn
from sklearn import preprocessing 
le = preprocessing.LabelEncoder()
le.fit(df['tw'])
le.transform(df['size'])

複製程式碼

② One Hot Encoding (Dummies)

# Using Pandas
df = pd.DataFrame({'A': ['a', 'b', 'a'], 'B': ['b', 'a', 'c'])
pd.get_dummies(df)

# Using sklearn
enc = preprocessing.OneHotEncoder()
enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])  
enc.transform([[0, 1, 3]]).toarray()

複製程式碼

要注意的是,他們都是同樣的動作,僅是不同的套件而已。


License

標籤編碼、獨熱編碼大不同 - Python 實現

本著作由Chang Wei-Yaun (v123582)製作, 以創用CC 姓名標示-相同方式分享 3.0 Unported授權條款釋出。

相關文章