PYTHON КАТЕГОРИАЛЬНЫЕ ПРИЗНАКИ

В машинном обучении категориальные признаки - это признаки с конечным числом значений, которые не могут быть представлены в виде чисел, таких как цвет или тип автомобиля.

Python предоставляет несколько способов для работы с категориальными признаками. Один из них - это использование метода Pandas get_dummies().

import pandas as pd
data = {'вид автомобиля': ['седан', 'кроссовер', 'хэтчбэк', 'седан']}
df = pd.DataFrame(data)
df = pd.get_dummies(df, columns=['вид автомобиля'])
print(df)

Этот код создает датафрейм, содержащий столбец с категориальным признаком "вид автомобиля". Метод get_dummies() заменяет этот столбец на несколько столбцов с бинарными значениями 0 и 1, что делает его пригодным для использования в алгоритмах машинного обучения.

Еще один способ работы с категориальными признаками - это использование метода sklearn.preprocessing.LabelEncoder().

from sklearn import preprocessing
le = preprocessing.LabelEncoder()
data = ['красный', 'синий', 'зеленый', 'синий']
le.fit(data)
print(list(le.transform(data)))

Этот код преобразует категориальные значения в числа, чтобы они могли быть использованы алгоритмами машинного обучения. Метод LabelEncoder() переделывает категориальные значения в целочисленные, что делает их удобными для работы вместе с другими числовыми признаками.