`sklearn.preprocessing`.OrdinalEncoder¶

class sklearn.preprocessing.OrdinalEncoder¶

Codifica las características categóricas como un arreglo de números enteros.

La entrada de este transformador debe ser un array-like de números enteros o cadenas, denotando los valores que toman las características categóricas (discretas). Las características se convierten en enteros ordinales. El resultado es una sola columna de enteros (de 0 a n_categories - 1) por característica.

Lee más en el Manual de usuario.

Nuevo en la versión 0.20.

Parámetros

categories“auto” o una lista de array-like, default=”auto”

Categorías (valores únicos) por característica:

“auto” : Determina las categorías automáticamente a partir de los datos de entrenamiento.
lista (list): categories[i] contiene las categorías esperadas en la i-ésima columna. Las categorías pasadas no deben mezclar cadenas y valores numéricos, y deben ordenarse en caso de valores numéricos.

Las categorías utilizadas se encuentran en el atributo categories_.

dtypetipo numérico, default np.float64

Tipo de salida (dtype) deseado.

handle_unknown{“error”, “use_encoded_value”}, default=”error”

Cuando se establece en “error” se generará un error en caso de que una característica categórica desconocida esté presente durante la transformación. Cuando se establece en “use_encoded_value”, el valor codificado de categorías desconocidas se establecerá en el valor dado para el parámetro “unknown_value”. En inverse_transform, una categoría desconocida se denotará como None.

Nuevo en la versión 0.24.

unknown_valueint o np.nan, default=None

Cuando el parámetro handle_unknown se establece en “use_encoded_value”, este parámetro es necesario y establecerá el valor codificado de las categorías desconocidas. Tiene que ser distinto de los valores utilizados para codificar cualquiera de las categorías en fit. Si se establece en np.nan, el parámetro dtype debe ser un dtype float (número de punto flotante).

Nuevo en la versión 0.24.

Atributos

categories_lista de arreglos: Las categorías de cada característica determinadas durante fit (en orden de las características en X y correspondientes con la salida de transform). Esto no incluye las categorías que no se vieron durante fit.

Ver también

OneHotEncoder: Realiza una codificación one-hot de características categóricas.
LabelEncoder: Codifica las etiquetas objetivo con valores entre 0 y n_classes-1.

Ejemplos

Dado un conjunto de datos con dos características, dejamos que el codificador encuentre los valores únicos por característica y transforme los datos en una codificación ordinal.

>>> from sklearn.preprocessing import OrdinalEncoder
>>> enc = OrdinalEncoder()
>>> X = [['Male', 1], ['Female', 3], ['Female', 2]]
>>> enc.fit(X)
OrdinalEncoder()
>>> enc.categories_
[array(['Female', 'Male'], dtype=object), array([1, 2, 3], dtype=object)]
>>> enc.transform([['Female', 3], ['Male', 1]])
array([[0., 2.],
       [1., 0.]])

>>> enc.inverse_transform([[1, 0], [0, 1]])
array([['Male', 1],
       ['Female', 2]], dtype=object)

Métodos

`fit`	Ajusta el OrdinalEncoder a X.
`fit_transform`	Ajusta a los datos y luego los transforma.
`get_params`	Obtiene los parámetros para este estimador.
`inverse_transform`	Convierte los datos a la representación original.
`set_params`	Establece los parámetros de este estimador.
`transform`	Transforma X en códigos ordinales.

fit()¶

Ajusta el OrdinalEncoder a X.

Parámetros

Xarray-like, forma [n_samples, n_features]: Los datos para determinar las categorías de cada característica.
yNone: Ignorado. Este parámetro sólo existe por compatibilidad con Pipeline.

Devuelve

self

fit_transform()¶

Ajusta a los datos y luego los transforma.

Ajusta el transformador a X e y con los parámetros opcionales fit_params y devuelve una versión transformada de X.

Parámetros

Xarray-like de forma (n_samples, n_features): Muestras de entrada.
yarray-like de forma (n_samples,) o (n_samples, n_outputs), default=None: Valores objetivo (None para transformaciones no supervisadas).
**fit_paramsdict: Parámetros de ajuste adicionales.

Devuelve

X_newarreglo ndarray de forma (n_samples, n_features_new): Arreglo transformado.

get_params()¶

Obtiene los parámetros para este estimador.

Parámetros

deepbool, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict: Los nombres de los parámetros mapeados a sus valores.

inverse_transform()¶

Convierte los datos a la representación original.

Parámetros

Xarray-like o matriz dispersa, forma [n_samples, n_encoded_features]: Los datos transformados.

Devuelve

X_trarray-like, forma [n_samples, n_features]: Arreglo transformado inverso.

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto en estimadores simples como en objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter> para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Devuelve

selfinstancia del estimador: Instancia del estimador.

transform()¶

Transforma X en códigos ordinales.

Parámetros

Xarray-like, forma [n_samples, n_features]: Los datos a codificar.

Devuelve

X_outmatriz dispersa o un arreglo 2-d: Entrada transformada.

Ejemplos utilizando `sklearn.preprocessing.OrdinalEncoder`¶

sklearn.preprocessing.OrdinalEncoder¶

Ejemplos utilizando sklearn.preprocessing.OrdinalEncoder¶

`sklearn.preprocessing`.OrdinalEncoder¶

Ejemplos utilizando `sklearn.preprocessing.OrdinalEncoder`¶