Кодирование категориальных признаков

@Helpplease · Регистрация: 17.04.2020

Студворк — интернет-сервис помощи студентам

Есть датафрейм по кредитным данным клиентов с 21 столбцом и 1000 строк. В каждом столбце один тип данных. Есть столбцы, как с количественными данными, так и с категориальными. Один из примеров столбец checking_status, в нём есть следующие уникальные значения: '<0'; '0<=X<200'; 'no checking'; '>=200'
Я хотел каждый столбец с категориальными данными типа str перевести в числовые по типу:
'no checking' = 0; '<0' = 1 и тд
Знаю о Label Encoding и One hot encoding, но первый не сработал, а второй не очень подходит, написал такую функцию, но она не работает
Сама функкция:
lst-это список уникальных значений каждого столбца
col_name-название каждого столбца
changed_df-копия датафрейма
Также могу дать ссылку на проект jupyter notebook через nbviewer

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
def change_data(lst, col_name):
    for i in range(len(lst)):
        all_str = all(isinstance(item, str) for item in lst[i])
        print(all_str)
        if all_str == True:
            quan = len(lst[i])
            print(quan)
            print(t)
            t = 0
            replacement_dict = {}
            while quan > t + 1:
                replacement_dict[lst[i][t]] = t
                print(replacement)
            changed_df[col_name[i]] = changed_df[col_name[i]].replace(replacement_dict)
        else:
            continue

@GennDALF · 30.08.2023, 08:15

replace() – это строковый метод, генерирует строку на основе той, от которой вызван, заменяя в ней одну подстроку на другую, возвращает новый объект str

Если количество уникальных значений невелико, то определите словарь, в котором задайте соответствие между уникальным значением (объект str) и новым значением, числовым кодом, или что там вам требуется (объект int).
Далее, подмените значения в столбцах.

Python
1
2
3
4
5
6
7
8
9
10
11
categories_codes = {
    'no checking' = 0,
    '<0' = 1,
    ...
}
 
for column in changed_df:
    map(
        lambda key: changed_df[column][key] = categories_codes[key],
        changed_df
    )

Альтернативно, если ваши числовые коды не произвольны, а являются элементами арифметической прогрессии, то можно получить списки старых значений в каждом столбце, отсортированные по возрастанию нового значения. Далее воспользоваться встроенными функциями enumerate() или range()
Тогда не нужно будет объявлять словарь.

В каждом столбце один тип данных. Есть столбцы, как с количественными данными, так и с категориальными.

Для того, чтобы писать код, надо бы вести речь о структуре датафрейма с точки зрения типов объектов, а не с точки зрения семантической структуры. Последняя нужна для проектирования.

@Helpplease · 31.08.2023, 00:00 **[ТС]**

Да, прошу прощения, забыл указать, что в коде я создал пустой словарь с названием replacement_dict, которую можно наблюдать в 12 и 14 строках
Я пытался реализовать следующую логику: функция принимает на вход lst-список списков с уникальными значениями и col_name- название каждого списка с уникальными значениями(оба объекта так отсортированы, что подходят друг ко другу).
Так как мне нужно закодировать только столбцы с типом str, а не c int или float, делается проверка на тип данных в списке с уникальными значениями

Python
1
all_str = all(isinstance(item, str) for item in lst[i])

Если они все типа int, то срабатывает continue и запускается другая итерация, если же все объекты в списке типа str, подсчитывается количество элементов в списке и называется quant, также задаётся счётчик t, затем цикл while, в котором я и делаю наполнение словаря

Python
1
replacement_dict[lst[i][t]] = t

@GennDALF · 31.08.2023, 12:16

Helpplease,

Сообщение от Helpplease

функция принимает на вход lst-список списков с уникальными значениями и col_name- название каждого списка с уникальными значениями(оба объекта так отсортированы, что подходят друг ко другу)

Именно для этого и существуют словари – задавать соответствие между объектами.

Элементом словаря является пара объектов: ключ и значение.
Ключами словаря могут любые хэшируемые объекты – если говорить о базовых типах, то это неизменяемые: int, float, complex, bytes, str, range, tuple, frozenset.
Значениями словаря могут быть произвольные объекты, включая списки, множества и другие словари.

Сообщение от Helpplease

делается проверка на тип данных

Лишние проверки – дольше выполнение. Если есть возможность корректно написать фрагмент кода без условной конструкции, то в большинстве случаев этим стоит воспользоваться.
Пример в моём прошлом сообщении избавляет от необходимости выполнять проверку. Но взамен требует корректного словаря, в котором старые и новые значения сопоставляются друг другу.

Новые блоги и статьи Все статьи Все блоги /
PhpStorm 2025.3: WSL Terminal всегда стартует в ~ and_y87 14.12.2025 PhpStorm 2025. 3: WSL Terminal всегда стартует в ~ (home), игнорируя директорию проекта Симптом: После обновления до PhpStorm 2025. 3 встроенный терминал WSL открывается в домашней директории. . .	Как объединить две одинаковые БД Access с разными данными VikBal 11.12.2025 Помогите пожалуйста !! Как объединить 2 одинаковые БД Access с разными данными.	Новый ноутбук volvo 07.12.2025 Всем привет. По скидке в "черную пятницу" взял себе новый ноутбук Lenovo ThinkBook 16 G7 на Амазоне: Ryzen 5 7533HS 64 Gb DDR5 1Tb NVMe 16" Full HD Display Win11 Pro	Музыка, написанная Искусственным Интеллектом volvo 04.12.2025 Всем привет. Некоторое время назад меня заинтересовало, что уже умеет ИИ в плане написания музыки для песен, и, собственно, исполнения этих самых песен. Стихов у нас много, уже вышли 4 книги, еще 3. . .	От async/await к виртуальным потокам в Python IndentationError 23.11.2025 Армин Ронахер поставил под сомнение async/ await. Создатель Flask заявляет: цветные функции - провал, виртуальные потоки - решение. Не threading-динозавры, а новое поколение лёгких потоков. Откат?. . .
Поиск "дружественных имён" СОМ портов Argus19 22.11.2025 Поиск "дружественных имён" СОМ портов На странице: https:/ / norseev. ru/ 2018/ 01/ 04/ comportlist_windows/ нашёл схожую тему. Там приведён код на С++, который показывает только имена СОМ портов, типа,. . .	Сколько Государство потратило денег на меня, обеспечивая инсулином. Programma_Boinc 20.11.2025 Сколько Государство потратило денег на меня, обеспечивая инсулином. Вот решила сделать интересный приблизительный подсчет, сколько государство потратило на меня денег на покупку инсулинов. . . .	Ломающие изменения в C#.NStar Alpha Etyuhibosecyu 20.11.2025 Уже можно не только тестировать, но и пользоваться C#. NStar - писать оконные приложения, содержащие надписи, кнопки, текстовые поля и даже изображения, например, моя игра "Три в ряд" написана на этом. . .	Мысли в слух kumehtar 18.11.2025 Кстати, совсем недавно имел разговор на тему медитаций с людьми. И обнаружил, что они вообще не понимают что такое медитация и зачем она нужна. Самые базовые вещи. Для них это - когда просто люди. . .	Создание Single Page Application на фреймах krapotkin 16.11.2025 Статья исключительно для начинающих. Подходы оригинальностью не блещут. В век Веб все очень привыкли к дизайну Single-Page-Application . Быстренько разберем подход "на фреймах". Мы делаем одну. . .

Кодирование категориальных признаков

Решение