Tratamiento de variables categóricas para imputación: one-hot encoding

Clase 7 de 17 • Curso de Manejo de Datos Faltantes: Imputación

Clase anteriorSiguiente clase

Andres Sanchez

student•

7. Tratamiento de variables categóricas para imputación: one-hot encoding

5-10-20 categorias → Ordinal encoding

100-1000-2000-3000 categorias → One Hot Encoding

Ordinal Encoder: El OrdinalEncoder se utiliza cuando existe un orden o jerarquía natural entre las categorías de una variable categórica. Esto significa que las categorías tienen una relación de orden y se pueden asignar valores numéricos que reflejen este orden. Algunos ejemplos de variables categóricas donde se puede aplicar el OrdinalEncoder son:
- Niveles de educación: como "Primaria", "Secundaria", "Universidad", donde hay un orden lógico de menor a mayor nivel educativo.
- Evaluaciones de rendimiento: como "Bajo", "Medio", "Alto", donde hay una escala ordinal de bajo a alto rendimiento.
One-Hot Encoder: El OneHotEncoder se utiliza cuando no existe un orden o jerarquía natural entre las categorías de una variable categórica, y se desea crear variables binarias para cada categoría. Esto permite representar cada categoría como una columna independiente, donde un valor de 1 indica la presencia de esa categoría y un valor de 0 indica la ausencia. Algunos ejemplos de variables categóricas donde se puede aplicar el OneHotEncoder son:
- Colores: como "Rojo", "Verde", "Azul", donde cada color se representa como una columna separada en el conjunto de datos codificado en caliente.
- Países: como "Estados Unidos", "Canadá", "México", donde cada país se representa como una columna separada indicando su presencia o ausencia.

Pablo Alejandro Figueroa

student•

Excelente, muchas gracias!

Jeinfferson Bernal G

student•

One - Hot Encoding

Consiste en crear una matriz de unos y ceros donde el 1 representa la presencia de una caracteristica o categoria de la variable de interes y 0 la ausencia de la misma. La lista se convierte en un formato ancho de manera que cada columna representa un elemento unico de nuesta categoria.

Existen dos metodos para generar un one hot encoding: pandas.get_dummies() y sklearn.preprocessing.OneHotEncoder()

Julián Cárdenas

student•

Buen resumen!

Pablo Alejandro Figueroa

student•

Excelente:!

Jeinfferson Bernal G

student•

Metodo con Sklearn

Creamos el transformador


#              funcion para construir los transformadores requeridos
transformer = sklearn.compose.make_column_transformer(
    # transformacion ordinal                  variable categorica
    (sklearn.preprocessing.OrdinalEncoder(), ['gender']),
    # transformacion one hot                  variable categorica
    (sklearn.preprocessing.OneHotEncoder(), ['general_health_condition']),
    remainder='passthrough' # omision de la transformacion de las demas variables
)

Dataframe con los valores transformados


nhanes_transformed_df2 = (
    pd.DataFrame(
        transformer.fit_transform(nhanes_df),
        columns=transformer.get_feature_names_out(),
        index=nhanes_df.index   # indices del dataframe original
    )
    .rename_columns(
        function = lambda x: x.removeprefix('ordinalencoder__')
    )
    .rename_columns(
        function = lambda x: x.removeprefix('remainder__')
    )
    .rename_columns(
       function = lambda x: x.removeprefix('onehotencoder__')
    )
)

nhanes_transformed_df2

Acceder a las categorias de health


(
    transformer
    .named_transformers_
    .get('onehotencoder')
    .categories_
)

--> [array(['Excellent', 'Fair or', 'Good', 'Poor?', 'Very good', nan],
       dtype=object)]

Extraer solo una categoria

# Para este caso extraer Good

(
    transformer
    .named_transformers_
    .get('onehotencoder')
    .inverse_transform(
        X = [[0,0,1,0,0,0]]     # vector que representa la categoria Good
    )
)

--> array([['Good']], dtype=object)

José Rodrigo Arana Hi

student•

¿Cuál método debería de utilizar?

Depende mucho del contexto en el que nos encontremos trabajando:

Si tengo 5, 10 o más categorías, quizá un ++Ordinal Encoding++ sería la opción, en la que establecemos un número para cada una de ellas.
Si tengo 100 o más categorías, quizá un ++OneHot Encoding++ sería una mejor opción, porque voy a tener una categoría por cada columna. Cada una va a tener 1 y 0, entonces el peso de estas variables va a ser el mismo. El inconveniente en este caso es que vas a necesitar crear una nueva columna para cada instancia de tu variable, por lo que requerirás mucho espacio. Esto se puede solventar utilizando matrices especiales matrices sparse.

Dependiendo de tus recursos y métodos que utilices puede ser viable o no.

Bryan Carvajal

student•

Me lanza este error cuando pongo el siguiente comando, alguna idea de porque pasa esto?

nhanes_transform_df2 = (
    pd.DataFrame(
        transformer.fit_transform(nhanes_df),
        columns=transformer.get_feature_names_out()
    )

AttributeError: Transformer ordinalencoder (type OrdinalEncoder) does not provide get_feature_names_out.

Jeinfferson Bernal G

student•

Revisa la funcion de transformacion 'transformer' puede que alli tengas el error

Esteban Navarro Díaz

student•

El método get_feature_names_out() no funciona...

Federico Mario

student•

El método funciona. Chequeá si lo escribiste mal en el código o por ahí te salteaste un paso antes.

Bryan Carvajal

student•

NO FUNCIONA… que mal, no encuentra otra forma de hacerlo

Alberto Duque Villegas

student•

skelearn.preprocessing.OneHotEncoder()

Requiere:

Crear el transformador
Aplicar el transformador al conjunto de datos (recrear el conjunto de datos)

Las ventajas:

Se puede obtener un array con las categorías que hayan sido codificadas.
Es posible recuperar un array con las inversas de las transformaciones realizadas.

Pablo Alejandro Figueroa

student•

gracias again!

Jeinfferson Bernal G

student•

Metodo con Pandas

# Metodo de Pandas

(
    nhanes_transformed_df2  # dataframe
    .select_columns('general_health_condition') # variable categorica
    .pipe(pd.get_dummies) 
)

El problema con el metodo Pandas


(
    nhanes_transformed_df2  # dataframe
    .select_columns('general_health_condition') # variable categorica
    .head(10)
    .pipe(pd.get_dummies) 
)

Al considerar solo las primeras 10 observaciones no toma en cuenta las demas categorias, solo las que estan contenidas en las primeras 10. Por otro lado, no considera una columna para los valores faltantes. Es util para representar los datos de manera rapida pero para fines practicos donde se requiera operaciones, inversas o entrenar un modelo con unas mismas dimensiones no funciona

Mario Alexander Vargas Celis

student•

El tratamiento de variables categóricas mediante **One-Hot Encoding** es una técnica común en el preprocesamiento de datos. Convierte las variables categóricas en varias columnas binarias, donde cada columna representa una categoría única, asignando un valor de 1 cuando la categoría está presente y 0 cuando no lo está. Este método evita el problema de orden implícito que puede ocurrir al usar codificación ordinal en variables categóricas sin una jerarquía natural.

### Proceso de One-Hot Encoding

1. **Selecciona las variables categóricas** que deseas codificar.

2. **Aplica One-Hot Encoding** para convertirlas en columnas binarias.

3. **Asegúrate de que el resto de las columnas no categóricas** (si existen) pasen sin modificaciones o se procesen adecuadamente.

### Ejemplo en Python usando pandas y sklearn

#### Paso 1: Importar bibliotecas


import pandas as pd

from sklearn.compose import ColumnTransformer

from sklearn.preprocessing import OneHotEncoder

#### Paso 2: Crear un conjunto de datos de ejemplo


\# Crear un DataFrame con una variable categórica

data = {

&#x20;   'gender': \['Male', 'Female', 'Female', 'Male'],

&#x20;   'age': \[23, 45, 31, 22],

&#x20;   'income': \[50000, 60000, 65000, 45000]

}



df = pd.DataFrame(data)

#### Paso 3: Aplicar One-Hot Encoding a la variable categórica


\# Definir la transformación con OneHotEncoder

categorical\_transformer = ColumnTransformer(

&#x20;   transformers=\[

&#x20;       ('cat', OneHotEncoder(), \['gender'])  # Aplicar One-Hot Encoding a la columna 'gender'

&#x20;   ],

&#x20;   remainder='passthrough'  # El resto de las columnas permanecen sin cambios

)



\# Transformar el DataFrame

transformed\_df = pd.DataFrame(categorical\_transformer.fit\_transform(df))



\# Cambiar los nombres de las columnas para que sean más comprensibles

transformed\_df.columns = \['gender\_Female', 'gender\_Male', 'age', 'income']



print(transformed\_df)

### Salida esperada:

|:-------------:|:-----------:|:---:|:------:|

| 0 | 1 | 23 | 50000 |

| 1 | 0 | 45 | 60000 |

| 1 | 0 | 31 | 65000 |

| 0 | 1 | 22 | 45000 |

### Consideraciones adicionales:

- **One-Hot Encoding** es particularmente útil cuando no existe una relación de orden entre las categorías.

- Si tienes muchas categorías, este método puede aumentar significativamente el número de columnas, lo cual es algo a tener en cuenta al trabajar con grandes volúmenes de datos.

Carlos Eduardo Bracho Rosales

student•

Aqui les dejo unas clases de Platzi en donde se habla del procesamiento de variables categoricas (como el One Hot)

Pablo Alejandro Figueroa

student•

gracias.!

Alberto Duque Villegas

student•

pandas.get_dummies()

Tiene dos limitaciones:

Si se selecciona un numero determinado de columnas donde no aparezcan algunos valores, entonces la matriz o tabla ancha tampoco va a tener esos valores (utilizaría menos información de la disponible en el df original).
No hay una columna que indique si hay valores faltantes en la variable, porque resultan enmascarados por los ceros de la matriz o tabla ancha.

En conclusión: para fines prácticos de análisis de datos: por ejemplo, hacer operaciones, hacer inversas o entrenar un modelo, no es una opción para hacer la codificación (encoding) de variables categóricas.

Pablo Alejandro Figueroa

student•

gracias..!

Emmanuel Guerra Sánchez

student•

OrdinalEncoder: Posiciones de futbolistas
OneHotEncoder: Color de un pixel en RGB

Rodrigo Martinez

student•

Cuando tenemos categorias ciclicas por ejemplo "wind_direction" y esta esta expresada en norte, sur, etc... no podemos hacer OrdinalEncoder ya que la categoria "norte" esta cerca de la categoria "este", pero de forma ordinal no lo esta (digamos 0, 1, 2, 3, 4, 5, 6; norte, noreste, ...) por lo que casi siempre es necesario oneHotEncoding y tambien podemos usar CuPy para el manejo de matrices de alta dimensionalidad y de muchos ceros (sparse matrix).

Miguel Antonio Rojas Martinez

student•

Muy buena esta clase!!!