Как обработать категориальные признаки

Для обработки категориальных признаков есть несколько основных методов:

1. Label Encoding - присваивает каждой категории числовой код. Подходит для порядковых данных.

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

2. One-Hot Encoding - создает бинарные колонки для каждой категории. Лучше для номинальных данных без порядка.

pd.get_dummies(df, columns=['category'])

3. Target Encoding - заменяет категории средним значением целевой переменной. Риск утечки данных.

from category_encoders import TargetEncoder
encoder = TargetEncoder()
df['category'] = encoder.fit_transform(df['category'], df['target'])

4. Frequency Encoding - заменяет категории их частотой в данных.

Выбор метода зависит от типа данных, размера датасета и модели. Для деревьев часто хватает Label Encoding, для линейных моделей лучше One-Hot. Всегда проверяйте, не появились ли пропуски после кодирования.