[정리] Encoding 관련 API

1. LabelEncoder() : target values를 0~(클래스 개수-1) 사이 정수로 인코딩

 

◾ 변환 시 알파벳/한글 순서를 반영한다. → a, ㄱ: 0

◾ input이 아닌 target values만 적용되어야 한다. 자세히

 

from sklearn.preprocessing import LabelEncoder, OneHotEncoder, MinMaxScaler, StandardScaler

le = LableEncoder()
label = np.array(['dog', 'cat', 'tiger', 'rabbit', 'pig'])

le.fit_transform(label)

실행 결과

 

2. OneHotEncoder() : 범주형 feature를  one-hot numeric array로 변환

 

◾ sparse=False로 설정하면 결과가 array 형태로 리턴된다. (기본값은 True → matrix 형태로 리턴)

◾ 배열을 이용하면 one-hot encoding을 여러 feature에 한꺼번에 적용할 수 있다.

 

ohe = OneHotEncoder(sparse=False, handle_unknown='ignore')

X = [['Male', 1], ['Female', 3], ['Female', 2]]

ohe.fit(X)
ohe.transform(([['Female', 1], ['Male', 4]]))

실행 결과

 

sci-kit learn에서 올려놓은 예제 실행 결과 이해하는 데 진짜 오래 걸렸다. 근데 맞게 이해한건지는 모름 🤦‍♀️

 

✅ 마지막 줄 코드 및 실행 결과 분석

 

◽ ohe.transform(([['Female', 1], ['Male', 4]]))

배열 X를 만들어놨지만 결국은 ['Female', 1]과 ['Male', '4']에 원핫인코딩을 적용한다는 의미

 

◽ handle_unknown='ignore'

fit 단계에서 사용한 배열에 없는 값(=4)이 있기 때문에 이 값을 넣어주면 ValueError 문구 없이 정상 실행

 

◽ ['Female', 1] → [1, 0, | 1, 0, 0]

 문자와 숫자 2개만 원핫인코딩 하는데 실행 결과에서는 배열 원소가 5개나 되길래 이게 너무 이해가 안됐었다 ㅠ

 

❔ 실행 결과 각 배열 원소가 5개인 이유

fit 전에 만들어준 배열 X를 보면 문자는 두 종류이고 숫자는 세 종류다. 두번째 인덱스까지는 문자에 대한 원핫인코딩 결과가 저장되고 세번째 인덱스부터 마지막 인덱스에는 숫자에 대한 원핫인코딩 결과가 저장된다.

 

❔ [4] → [0, 0, 0]

세 개의 숫자로 fit 함수를 적용시켰기 때문에 encoder에는 숫자 세 개만 나타낼 수 있는 공간이 만들어진 걸로 생각하면 금방 이해가 될 것 같다. handle_unknown = ~ 을 설정해서 새로운 값을 넣어도 API 내부에서는 이상없이 돌아가지만, 눈에 보이지는 않는 그런 느낌!