Transformer des colonnes/données

Comment convertir une colonne textuelle en index numérique sans utiliser de binaire (one-hot).

Différence :

• Encodage en identifiant (index) : chaque valeur textuelle devient un entier unique (comme une clé étrangère en base de données).
• Encodage binaire (One-Hot) : chaque valeur textuelle devient une colonne distincte avec 1 ou 0 (présent / absent).

LabelEncoder - Encodage en identifiant

import pandas as pd

df = pd.DataFrame({'Categorie':["Horreur", "Aventure", "Sc-Fi", "Aventure"], 'Title':["Saw", "La Jungle", "Slider", "Sharknado"]})

# Label Encoder
from sklearn.preprocessing import LabelEncoder

label_encoder = LabelEncoder()

df['CatId'] = label_encoder.fit_transform(df['Categorie'])

Correspondance de la conversion

Categorie	CatId
Aventure	0
SciFi	1
Aventure	0
Horror	2

Rappel

LabelEncoder assigne un entier par valeur unique. Attention : ces entiers ont un ordre arbitraire - à n'utiliser que si l'ordre n'a pas de sens pour le modèle.

OneHotEncoder (Binaire)

from sklearn.preprocessing import OneHotEncoder

# OneHotEncoder (Binaire)
one_hot_encoder = OneHotEncoder()

encoded_column = one_hot_encoder.fit_transform(df[['Categorie']])

# Créer un DataFrame avec les noms de colonnes
encoded_df = pd.DataFrame(encoded_column, columns=one_hot_encoder.get_feature_names_out(['Categorie']))

# Fusionner avec les autres données
df = df.join(encoded_df)

Correspondance de la conversion

Categorie	Categorie_Aventure	Categorie_Horreur	Categorie_Sci-Fi
Aventure	1	0	0
SciFi	0	1	0
Aventure	1	0	0
Horror	0	0	1

Info

Chaque catégorie devient une colonne binaire, indiquant sa présence (1) ou non (0).