[scikit-learn] 사이킷런 라벨 인코딩을 이용한 전처리 (python LabelEncoder)

사이킷런 라벨 인코딩을 이용한 전처리 알아보기 (python scikit-learn LabelEncoder)

---

파이썬(Python)으로 기계학습(Machine Learning)을 하다보면 데이터를 숫자로 표기해야 할 때가 많습니다. 이 세상의 모든 데이터가 숫자로 잴 수 있다면 이야기가 편해지겠지만, 아쉽게도 문자로 분류된 카테고리형 데이터(Categorical Data)가 있기 때문에 이런 데이터는 전처리(Pre-Processing)를 해 줘야 합니다.

 

 

그래서, 이번에 알아볼 전처리 방법은 사이킷런(sklearn)에서 제공하는 전처리 도구인 라벨인코더(LabelEncoder)입니다. 이 도구는 문자 분류를 숫자 분류로 치환해주는 단순한 기능인데요, 이 라벨 인코딩이라는 작업은 은근히 손이 많이 가는 작업이기 때문에 자동으로 해결해 준다면 작업자 입장에서는 아주 편리해진답니다.

 

 

라벨 인코딩은 기본적으로 아래 절차에 따라서 진행됩니다.

 

 

1. 가위 , 나비 , 다람쥐 라는 데이터가 있을 때,
2. 가위 = 1 , 나비 = 2 , 다람쥐 = 3 이라는 규칙을 만들고
3. 데이터를 1 , 2 , 3 으로 변환한다.
4. 필요하면, 이 규칙을 이용해서 반대로 변환할 수도 있다!

 

 

라벨 인코딩

---

그러면 이제 사이킷런 라벨인코더를 이용해서 파이썬으로 라벨 인코딩을 해 보도록 하겠습니다. 데이터는 많은 분들이 한번쯤 사용해 봤을 법한 아이리스(iris) 데이터를 이용해 보겠습니다.

 

 

# 패키지 불러오기
from sklearn.preprocessing import LabelEncoder
import seaborn as sns
import pandas as pd

# 라벨인코더 이용을 위한 초기화
enc = LabelEncoder()

# 데이터 불러오기
iris = sns.load_dataset('iris')
iris.head()

	sepal_length	sepal_width	petal_length	petal_width	species
0	5.1	3.5	1.4	0.2	setosa
1	4.9	3.0	1.4	0.2	setosa
2	4.7	3.2	1.3	0.2	setosa
3	4.6	3.1	1.5	0.2	setosa
4	5.0	3.6	1.4	0.2	setosa

 

 

iris['species'] 정보는 원래 카테고리형 데이터입니다 각 분류는 setosa , versicolor , virginica 로 나뉘어져 있으며, 이걸 숫자로 라벨링해 보도록 하겠습니다. LabelEncoder 는 다른 사이킷런 기계학습 모듈과 마찬가지로 fit 함수를 이용해서 데이터를 입력할 수 있는데요, 이후 transform 함수를 이용하면 입력된 데이터와 같은 규칙으로 라벨링을 하게 됩니다.

 

 

enc.fit(iris['species'])

 

iris['species_bin'] = enc.transform(iris['species'])
iris

	sepal_length	sepal_width	petal_length	petal_width	species	species_bin
0	5.1	3.5	1.4	0.2	setosa	0
1	4.9	3.0	1.4	0.2	setosa	0
2	4.7	3.2	1.3	0.2	setosa	0
3	4.6	3.1	1.5	0.2	setosa	0
4	5.0	3.6	1.4	0.2	setosa	0
...	...	...	...	...	...	...
145	6.7	3.0	5.2	2.3	virginica	2
146	6.3	2.5	5.0	1.9	virginica	2
147	6.5	3.0	5.2	2.0	virginica	2
148	6.2	3.4	5.4	2.3	virginica	2
149	5.9	3.0	5.1	1.8	virginica	2

 

 

인코딩된 데이터 복구하기

---

만약, 숫자로 변형된 데이터를 다시 문자로 변형하고 싶다면 inverse_transform 함수를 이용해 복구할 수 있습니다. 이렇게 복구된 데이터는 기존 데이터와 일치하기 때문에, 사전에 데이터를 입력한 enc 변수만 보존되어 있다면 추후 기계학습 모델이 분류한 정보를 우리가 보기 편하게 변경할 수 있겠지요.

 

 

iris['species_inv'] = enc.inverse_transform(iris['species_bin'])
iris['species'] == iris['species_inv']

0      True
1      True
2      True
3      True
4      True
       ... 
145    True
146    True
147    True
148    True
149    True
Length: 150, dtype: bool