[사이킷런] 더미변수 만들기, 라벨 인코딩, 원핫 인코딩

사이킷런으로 가변수를 만들어보자.

 

# 라벨 인코딩

[Label Encoding]

라벨 인코딩은 n개의 범주형 데이터를 0부터 n-1까지의 연속적 수치 데이터로 표현

소 → 0 / 중 → 1 / 대 → 2

주의할 점은 인코딩의 결과가 수치적인 차이를 의미하진 않는다는 것

즉, 대(2)가 중(1)의 두배라는 것은 아님!

 

# 사이킷런으로 더미변수 만들기
from sklearn import preprocessing

# 전처리 엔코더 객체
label_encoder = preprocessing.LabelEncoder()
onehot_encoder = preprocessing.OneHotEncoder()

 

# 문자열 범주를 숫자 범주로 변환 = LabelEncoder
labels = label_encoder.fit_transform(df['hp_cat'])
print(df['hp_cat'][:15])
print(labels)

# 고출력 - 보통출력 - 저출력 (글자 순서대로 정렬)
# 0 - 1 - 2

 

전처리 엔코더 객체를 생성한 후 문자열 범주를 숫자 범주로 변환하면 된다.

---

# 원핫 인코딩

[One-Hot Encoding]

n개의 범주형 데이터를 n개의 비트(0, 1) 벡터로 표현
서로 다른 범주 데이터는 독립적인 관계라는 것을 나타낼 수 있음

[주의할 점]

1. 판다스의 시리즈가 아닌 numpy 행렬을 입력해야함 → values 이용
2. 벡터 입력을 허용하지 않음 → reshape을 이용해 Matrix로 변환 필요

 

# 1차원 배열을 2차원 배열로 변환 => 392개의 행과 1개의 열
reshaped = labels.reshape(len(labels), 1)
print(len(reshaped))
-----------------------------------------------------------------------
# 모든 행 = -1
reshaped = labels.reshape(-1, 1)
print(len(reshaped))

 

원핫 인코딩을 적용해보자

# 원-핫 엔코딩
# 희소행렬 = (행, 열) 좌표 & 값(1)
# 0 숫자 열 = 고출력, 1 숫자 열 = 보통 출력 , 2 숫자 열 = 저출력
# (14, 2)	1.0 => 행 인덱스 번호 14에서 2 라는 숫자(저출력) 가지고 있는 열의 값이 1
# = 14번 행의 값은 저출력
oh = onehot_encoder.fit_transform(reshaped)

print(df['hp_cat'][:15], labels[:15], oh[:15])

0 숫자 열 => 고출력 / 1 숫자 열 => 보통 출력 / 2 숫자 열 => 저출력

 

원핫 인코딩은 행렬로 변환한 후 

결과를 확인해보면

 

맨 밑의 값 (14, 2) 1.0의 의미는 행 인덱스 번호 14에서 2라는 숫자(저출력)을 가지고 있는 열의 값이 1이다 

 

라는 의미를 가지고 있다.

 

 

원핫인코딩 한 결과의 타입을 확인해보면 희소행렬이 나옴을 확인할 수 있다.

type(oh)