One-hot encoding

L’encoding “one-hot” è una tecnica per ==rappresentare le variabili categoriche che non hanno un ordinamento (variabili categoriche nominali) in modo numerico . In parole semplici, il one-hot encoding converte le categorie in vettori binari, in cui ogni categoria diventa una colonna e viene rappresentata da un 1 o un 0==.

Funzionamento

Immagina di avere una colonna chiamata “Colore” con tre categorie: Rosso, Verde e Blu. Utilizzando il one-hot encoding, questa colonna verrebbe divisa in tre colonne separate: “Rosso”, “Verde” e “Blu”. Per ogni riga del dataset, verrà assegnato un valore 1 alla colonna corrispondente al colore presente in quella riga e 0 alle altre colonne.

• Se una riga ha il colore “Rosso”, la colonna “Rosso” conterrà un 1 e le altre colonne conterranno 0: (1, 0, 0)
• Se una riga ha il colore “Verde”, la colonna “Verde” conterrà un 1 e le altre colonne conterranno 0: (0, 1, 0)
• Se una riga ha il colore “Blu”, la colonna “Blu” conterrà un 1 e le altre colonne conterranno 0: (0, 0, 1)

Esempi

Scikit learn

from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
import numpy as np
 
# Dataset d'esempio
# Ogni riga rappresenta [Età, Città]
data = np.array([
    [25, 'Milano'],
    [30, 'Roma'],
    [22, 'Napoli'],
    [35, 'Milano']
])
 
# Indici delle colonne
colonna_categorica = [1]  # Colonna "Città"
colonna_numerica = [0]    # Colonna "Età"
 
# Creazione del ColumnTransformer
preprocessor = ColumnTransformer(
    transformers=[
        ('onehot', OneHotEncoder(), colonna_categorica),  # One-hot encoding per "Città"
        ('passthrough', 'passthrough', colonna_numerica)  # Lascia invariata "Età"
    ]
)
 
# Applicazione del ColumnTransformer
data_trasformato = preprocessor.fit_transform(data)
 
# Output del risultato
print(data_trasformato)

Output:

[[ 1.  0.  0. 25.]
 [ 0.  0.  1. 30.]
 [ 0.  1.  0. 22.]
 [ 1.  0.  0. 35.]]

Pandas

Un modo comodo per creare queste caratteristiche fittizie tramite la codifica one-hot consiste nell’utilizzare il metodo get_dummies implementato nei pandas. Ecco un esempio di come gestire un DataFrame rappresentante magliette con le colonne “Taglia”, “Colore” e “Prezzo” in modo che sia facilmente gestibile da un algoritmo di machine learning utilizzando Pandas. In questo esempio, utilizzeremo il one-hot encoding per la colonna “Colore”, faremo un mapping numerico per “Taglia” mentre lasceremo il prezzo così come è in quanto è già un numero comodo.

import pandas as pd
 
# Creiamo un DataFrame di esempio con magliette
data = {'Taglia': ['S', 'M', 'L', 'XL', 'M'],
        'Colore': ['Rosso', 'Verde', 'Blu', 'Rosso', 'Blu'],
        'Prezzo': [20, 25, 30, 22, 35]}
 
df = pd.DataFrame(data)
 
# Mappiamo la taglia a un valore numerico in base all'ordine crescente
taglia_mapping = {'S': 1, 'M': 2, 'L': 3, 'XL': 4}
df['Taglia'] = df['Taglia'].map(taglia_mapping)
 
# Applichiamo il one-hot encoding solo alla colonna 'Colore'
df_encoded = pd.get_dummies(df, columns=['Colore'])
 
# Stampiamo il DataFrame elaborato
print(df_encoded)

Output:

   Taglia  Prezzo  Colore_Blu  Colore_Rosso  Colore_Verde
0       1      20           0            1            0
1       2      25           0            0            1
2       3      30           1            0            0
3       4      22           0            1            0
4       2      35           1            0            0