[Scikit Learn] One-Hot Encoding

안녕하세요.

 

머신러닝을 돌리기 전 전처리 작업 중 하나인 인코딩에 대해 살펴볼게요.

 

전 포스트에서 말씀드렸기에 간단하게 설명한다면

 

인코딩은 문자형 변수를 수치형 변수로 변환해주는 것입니다.

 

저번 포스팅에서는 Label Encoding을 알아봤고

 

이번에는 One-Hot Encoding을 살펴볼게요.

 

 

 

 

One-Hot Encoding

머신러닝을 공부하신 분들이라면 한 번씩은 들어보셨을 One-Hot Encoding입니다.

 

One-Hot Encoding은 말 그대로

 

하나만 Hot하고 나머지는 Cold 한다는 뜻입니다.

 

새로운 칼럼을 추가하여 해당하는 칼럼에만 1을 표시하고

 

나머지 칼럼에는 0을 표시합니다.

 

이제 Python을 통해 One-Hot Encoding을 진행해보겠습니다.

 

 

 

 

라이브러리 불러오기

import numpy as np
import pandas as pd
import seaborn as sns
import sklearn
import warnings
warnings.filterwarnings('ignore')

numpy와 pandas는 데이터 분석을 할 때 default로 불러오는 라이브러리이고

 

seaborn은 mpg 데이터를 활용하기 위해 불렀습니다.

 

sklearn이 오늘 인코딩을 할 때 사용할 라이브러리이고

 

warnings는 경고창을 보여주지 않기 위해 불러왔습니다.

 

 

 

 

데이터 불러오기 및 정제하기

mpg = sns.load_dataset('mpg')

seaborn을 이용하여 mpg데이터를 불러왔습니다.

 

ori = mpg['origin']

ori.unique()
>>> array(['usa', 'japan', 'europe'], dtype=object)

이번에는 간단하게 origin변수만을 가지고

 

ori라는 데이터를 만들어줬습니다.

 

ori데이터는 usa, japan, europe이라는 3개의 범주형 데이터가 존재합니다.

 

 

 

 

One-Hot Encoding

from sklearn.preprocessing import OneHotEncoder

ohe = OneHotEncoder()

사이킷런의 preprocessing 패키지에 OneHotEncoder이 존재합니다.

 

앞 글자만 따서 ohe에 OneHotEncoder를 할당했습니다.

 

ori = ori.values.reshape((-1, 1))

oriohe = ohe.fit_transform(ori)

ori데이터를 array타입으로 설정한 후 형식에 맞게 설정했습니다.

 

그리고 One-Hot Encoding을 진행시킨 데이터를

 

oriohe에 할당시켰습니다.

 

oriohe
>>> <398x3 sparse matrix of type '<class 'numpy.float64'>'
 	    with 398 stored elements in Compressed Sparse Row format>

One-Hot Encoding을 진행시킨 oriohe데이터는

 

398x3의 sparse matrix형식으로 이루어져 있습니다.

 

따라서 toarray를 이용하여 표시하면

 

oriohe.toarray()
>>> array([[0., 0., 1.],
           [0., 0., 1.],
           [0., 0., 1.],
           ...,
           [0., 0., 1.],
           [0., 0., 1.],
           [0., 0., 1.]])

이렇게 array타입으로 수치형 데이터가 잘 인코딩 된 것을 확인할 수 있습니다.

 

이제 원래의 문자형 데이터와 인코딩 된 데이터를

 

하나의 데이터 프레임으로 합쳐보겠습니다.

 

columns = np.concatenate([np.array(['origin']), ohe.categories_[0]])

result = pd.DataFrame(data = np.concatenate([ori, oriohe.toarray()], axis = 1), columns = columns)

column명을 기존의 origin과 ohe의 카테고리로 문자로 설정해준 다음

 

데이터 프레임으로 합쳤습니다.

 

제대로 됐는지 확인해보겠습니다.

 

result.head(20)

이렇게 제대로 One-Hot Encoding이 진행된 것을 확인할 수 있습니다.

 

만약 다시 문자형 데이터로 변환하고 싶다면 마찬가지로

 

ohe.inverse_transform(oriohe)

ohe.fit_transform 대신 ohe.inverse_transform을 사용해주시면 됩니다.

 

여기까지 One-Hot Encoding을 알아봤습니다!