이번 시간에는 “One-Hot Encoding”을 진행합니다!

컴퓨터는 “문자”로 된 데이터를 학습할 수 없습니다.

그래서 “type”같은 피쳐들은 컴퓨터가 읽어서 학습 할 수 있도록 “인코딩”을 해주어야 합니다.

그래서 인코딩의 방법 중 하나인 “One-Hot Encoding”을 소개해드려고 합니다!

One-Hot Encoding은 말 그대로, ‘하나만 Hot 하고, 나머지는 Cold한 데이터”라는 의미입니다.

즉, 자신에게 맞는 것은 1로, 나머지는 0으로 바꾸어 줍니다.

예를 들어볼게요!

아래의 “출신 지역”이라는 변수는 문자로 되어있기 때문에, 컴퓨터가 이해할 수 없습니다.

그래서 컴퓨터가 이해할 수 있도록 숫자로 바꿔줘야 하죠.

→

이렇게 말입니다.

이제 이해가 되시나요?

자신에 해당 되는 값은 1인 "Hot"한 값을 주고, 나머지는 0인 "Cold"한 값을 주는 방법입니다.

이제 실습으로 따라해보시죠.

-----------------------------------------------------------------------------------------------------------------------------------------

# "OneHotEncoder"를 "encoder"라는 변수에 저장해보세요

encoder = OneHotEncoder()

# "encoder"를 사용해 train의 "type" 피쳐를 학습시켜보세요

encoder.fit(train[['type']])

# "encoder"를 사용해 train의 "type"피쳐를 변환해 "onehot"이라는 변수에 저장해보세요

onehot = encoder.transform(train[['type']])

# "onehot"이라는 변수를 array 형태로 변환해 보세요

onehot = onehot.toarray()

# "onehot"이라는 변수를 DataFrame 형태로 변환해 보세요

onehot = pd.DataFrame(onehot)

# encoder의 "get_feature_names()"를 사용해 column 이름을 바꿔보세요

onehot.columns = encoder.get_feature_names()

# onehot을 원본데이터인 train에 병합시켜보세요

onehot = pd.concat([train, onehot], axis = 1)

# train의 "type" 변수를 제거해주세요

train = train.drop(columns = ['type'])

-----------------------------------------------------------------------------------------------------------------------------------------

이제 인코딩까지 마무리 했으니, 다음 시간부터는 Wine Data를 사용해서 모델링을 해보겠습니다

[Colab 실습 링크]

↩️ 오늘의 파이썬 리스트

#데이콘_101 #AI #머신러닝 #딥러닝 #파이썬 #파이선  #데이터분석 #데이터사이언티스트 #코랩 #Python  #colab #kaggle #pandas #numpy #sckit-learn # read_csv