Andijon davlat pedagogika instituti

Bizda m yorliqli (transformatsiyadan keyin) har qanday kategorik atributning raqamli tasviri mavjudligini hisobga olsak, issiq kodlash sxemasi atributni faqat 1 yoki 0 qiymatini o'z ichiga olishi mumkin bo'lgan m ikkilik xususiyatga kodlaydi yoki o'zgartiradi. Shunday qilib, kategorik xususiyatdagi har bir kuzatish. qiymatlardan faqat bittasi 1 bo'lgan m o'lchamdagi vektorga aylantiriladi (uni faol deb ko'rsatadi). Keling, ikkita qiziqarli atributga ega Pokémon ma'lumotlar to'plamimizning bir qismini olaylik.
poke_df[['Ism', 'Avlod', 'Afsonaviy']].iloc[4:10]

Pokémon ma'lumotlar to'plamimizning kichik to'plami
Pokemon qiziqish atributlari Generationva ularning Legendaryholati. Birinchi qadam bu atributlarni biz avval o'rgangan narsalarimiz asosida raqamli ko'rinishlarga aylantirishdir .
sklearn.preprocessing dan import OneHotEncoder, LabelEncoder# transformatsiya va pokemon avlodlarini
xaritalash gen_le = LabelEncoder()
gen_labels = gen_le.fit_transform(poke_df['Generation'])
poke_df['Gen_Label'] = gen_labels# transformary and map status
legder = ()
leg_labels = leg_le.fit_transform(poke_df['Legendary'])
poke_df['Lgnd_Label'] = leg_labelspoke_df_sub = poke_df[['Name', 'Generation', 'Gen_Label',
'Legendary'_Label', 'Legendary'_Label']
f. ]' iloc[4:10]

O'zgartirilgan (raqamli) yorliqli atributlar
Xususiyatlar Gen_Labelva Lgnd_LabelEndi bizning kategorik xususiyatlarimizning raqamli ko'rinishlarini chizing. Keling, ushbu funktsiyalarga tezkor kodlash sxemasini qo'llaymiz.
# generatsiya belgilarini bitta issiq kodlash sxemasidan foydalanib kodlash
gen_ohe = OneHotEncoder()
gen_feature_arr = gen_ohe.fit_transform(
poke_df[['Gen_Label']]).toarray()
gen_feature_labels = list(gen_le.classes_)
gen_features =Dafe_arr.
columns=gen_feature_labels)# afsonaviy holat yorliqlarini bitta issiq kodlash sxemasidan foydalanib kodlash
leg_ohe = OneHotEncoder()
leg_feature_arr = leg_ohe.fit_transform(
poke_df[['Lgnd_Label']]).toarray()
leg_feature_labels = ['+)Legendacl
leg_le.classes_dagi cls_label uchun
leg_features = pd.DataFrame(leg_feature_arr,
ustunlar = oyoq_feature_yorliqlari)
Umuman olganda, siz har doim ikkala funktsiyani fit_transform(…)ikkita ob'ektdan iborat ikki o'lchovli massivni birga o'tkazish orqali funksiyadan foydalanib kodlashingiz mumkin ( Hujjatlarni tekshiring !). Lekin tushunishni osonlashtirish uchun har bir funktsiyani alohida kodlaymiz. Bundan tashqari, biz alohida ma'lumotlar ramkalarini yaratishimiz va ularni mos ravishda belgilashimiz mumkin. Keling, ushbu ramkalarni birlashtiramiz va yakuniy natijani ko'rib chiqamiz.
poke_df_ohe = pd.concat([poke_df_sub, gen_features, leg_features], axis=1)
ustunlar = summa([['Ism', 'Generation', 'Gen_Label'],
gen_feature_labels, ['Legendary', 'Lgnd_Label', 'Lgnd_Label'
] ], [])
poke_df_ohe[ustunlar].iloc[4:10]

Pokemon va afsonaviy maqomni yaratish uchun tezkor kodlash xususiyatlari
Shunday qilib, siz