Как обрабатывать категориальные признаки

Для обработки категориальных признаков есть несколько методов:

1. One-Hot Encoding (OHE) – создает бинарные колонки для каждого уникального значения. Подходит для номинальных признаков без порядка.

from sklearn.preprocessing import OneHotEncoder
encoder = OneHotEncoder(sparse=False)
encoded = encoder.fit_transform(df[['category']])

2. Label Encoding – присваивает числовые метки категориям. Подходит для порядковых данных.

from sklearn.preprocessing import LabelEncoder
encoder = LabelEncoder()
df['category_encoded'] = encoder.fit_transform(df['category'])

3. Target Encoding – заменяет категории средним значением целевой переменной. Риск утечки данных, требует осторожности.

target_mean = df.groupby('category')['target'].mean()
df['category_encoded'] = df['category'].map(target_mean)

4. Frequency Encoding – заменяет категории их частотой в датасете.

Выбор метода зависит от природы данных и модели. Для деревьев иногда можно оставить категории как строки, для линейных моделей – OHE или embeddings. Всегда проверяйте влияние на целевую метрику!