-
Notifications
You must be signed in to change notification settings - Fork 45
/
0_preprocessing.Rmd
597 lines (422 loc) · 22 KB
/
0_preprocessing.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
---
jupyter:
jupytext:
text_representation:
extension: .Rmd
format_name: rmarkdown
format_version: '1.2'
jupytext_version: 1.6.0
kernelspec:
display_name: Python 3
language: python
name: python3
title: "Préparation des données pour construire un modèle"
date: 2020-10-15T13:00:00Z
draft: false
weight: 10
output:
html_document:
keep_md: true
self_contained: true
slug: preprocessing
tags:
- scikit
- machine learning
- US election
- preprocessing
categories:
- Exercice
type: book
summary: |
Afin d'avoir des données cohérentes avec les hypothèses de modélisation,
il est absolument fondamental de prendre le temps de
préparer les données à fournir à un modèle. La qualité de la prédiction
dépend fortement de ce travail préalable de preprocessing.
Beaucoup de méthodes sont disponibles dans scikit, ce qui rend ce travail
moins fastidieux.
---
```{r setup, include=FALSE}
dir_path <- gsub(here::here(), "..", here::here("course","modelisation"))
knitr::knit_hooks$set(
plot = function(x, options) modif_plot(x, options, dir_path = dir_path)
)
knitr::opts_chunk$set(echo = FALSE)
```
```{r, echo = FALSE, results = 'asis', include = TRUE, eval = TRUE}
print_badges()
```
Ce chapitre utilise le jeu de données présenté dans l'[introduction
de cette partie](https://linogaliana-teaching.netlify.app/modelisation/):
les données de vote aux élections présidentielles US
croisées à des variables socio-démographiques. Le code
est disponible [sur Github](https://github.com/linogaliana/python-datascientist/blob/master/content/course/modelisation/get_data.py) mais l'exercice 1 permet, à ceux qui le désirent, d'essayer de reproduire la constitution de la base de données.
Le guide utilisateur de `scikit` est une référence précieuse,
à consulter régulièrement. La partie sur le *preprocessing* est
disponible [ici](https://scikit-learn.org/stable/modules/preprocessing.html).
Nous verrons dans le chapitre sur les *pipelines* comment industrialiser
ces étapes de pré-processing afin de se simplifier la vie pour appliquer
un modèle sur un jeu de données différent de celui sur lequel il a été estimé.
# Construction de la base de données
Les sources étant éclatées, le code pour construire une base combinant toutes ces
sources est directement fourni. Le travail de construction d'une base unique
est un peu fastidieux mais il s'agit d'un bon exercice, que vous pouvez tenter,
pour [réviser `pandas`](#pandas) :
{{% panel status="exercise" title="Exercice" icon="fas fa-pencil-alt" %}}
**Exercice 1 : Importer les données des élections US** [OPTIONNEL]
1. Télécharger et importer le shapefile [depuis ce lien](https://www2.census.gov/geo/tiger/GENZ2019/shp/cb_2019_02_sldl_500k.zip)
2. Exclure les Etats suivants: "02", "69", "66", "78", "60", "72", "15"
3. Importer les résultats des élections depuis [ce lien](https://raw.githubusercontent.com/tonmcg/US_County_Level_Election_Results_08-20/master/2020_US_County_Level_Presidential_Results.csv)
4. Importer les bases disponibles sur le site de l'USDA en faisant attention à renommer les variables de code FIPS de manière identique
dans les 4 bases
5. *Merger* ces 4 bases dans une base unique de caractéristiques socio-économiques
6. *Merger* aux données électorales à partir du code FIPS
7. *Merger* au shapefile à partir du code FIPS. Faire attention aux 0 à gauche dans certains codes. Il est
recommandé d'utiliser la méthode `str.lstrip` pour les retirer
8. Importer les données des élections 2000 à 2016 à partir du [MIT Election Lab](https://electionlab.mit.edu/data)?
Les données peuvent être directement requêtées depuis l'url
<https://dataverse.harvard.edu/api/access/datafile/3641280?gbrecs=false>
9. Créer une variable `share` comptabilisant la part des votes pour chaque candidat.
Ne garder que les colonnes `"year", "FIPS", "party", "candidatevotes", "share"`
10. Faire une conversion `long` to `wide` avec la méthode `pivot_table` pour garder une ligne
par comté x année avec en colonnes les résultats de chaque candidat dans cet état.
11. Merger à partir du code FIPS au reste de la base.
{{% /panel %}}
Si vous ne faites pas l'exercice 1, pensez à charger les données en executant la fonction `get_data.py` :
```{python, echo = TRUE}
#!pip install geopandas
import requests
url = 'https://raw.githubusercontent.com/linogaliana/python-datascientist/master/content/course/modelisation/get_data.py'
r = requests.get(url, allow_redirects=True)
open('getdata.py', 'wb').write(r.content)
import getdata
votes = getdata.create_votes_dataframes()
```
Ce code introduit une base nommée `votes` dans l'environnement. Il s'agit d'une
base rassemblant les différentes sources. Elle a l'aspect
suivant:
```{python, echo = FALSE, include = FALSE}
votes.head()
```
La carte choroplèthe suivante permet de visualiser rapidement les résultats
(l'Alaska et Hawaï ont été exclus).
```{python, warning = FALSE, echo=TRUE, message = FALSE}
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
color_dict = {'republican': '#FF0000', 'democrats': '#0000FF'}
#votes.plot(column = "winner", figsize = (12,12), c=votes['winner'].map(color_dict))
fig, ax = plt.subplots(figsize = (12,12))
grouped = votes.groupby('winner')
for key, group in grouped:
group.plot(ax=ax, column='winner', label=key, color=color_dict[key])
plt.axis('off')
# plt.show()
```
```{python, warning = FALSE, echo=FALSE, message = FALSE, include = FALSE}
plt.savefig('map_vote.png', bbox_inches='tight')
```
```{r}
knitr::include_graphics("map_vote.png")
```
Les cartes choroplèthes peuvent donner une impression fallacieuse ayant servi
de justification pour contester les résultats du vote. En effet, un biais
connu des représentations choroplèthes est qu'elles donnent une importance
visuelle excessive aux grands espaces. Or, ceux-ci sont souvent des espaces
peu denses et influencent donc moins la variable d'intérêt (en l'occurrence
le taux de vote en faveur des républicains/démocrates). Une représentation à
privilégier pour ce type de phénomènes est les ronds proportionnels.
Le [GIF "Land does not vote, people do"](https://www.core77.com/posts/90771/A-Great-Example-of-Better-Data-Visualization-This-Voting-Map-GIF)
qui avait eu un certain succès en 2020 propose un autre mode de visualisation.
La carte originale a probablement été construite avec `JavaScript`. Cependant,
on dispose avec `Python` pour répliquer, à faible coût, cette approche avec
l'une des surcouches à JavaScript vue dans la partie [visualisation](#visualisation).
En l'occurrence, on peut utiliser `plotly` pour tenir compte de la population:
```{python, include = TRUE, echo=TRUE}
import plotly
import plotly.graph_objects as pgo
import pandas as pd
import geopandas as gpd
centroids = votes.copy()
centroids.geometry = centroids.centroid
centroids['size'] = centroids['CENSUS_2010_POP'] / 10000 # to get reasonable plotable number
color_dict = {"republican": '#FF0000', 'democrats': '#0000FF'}
centroids["winner"] = np.where(centroids['votes_gop'] > centroids['votes_dem'], 'republican', 'democrats')
centroids['lon'] = centroids['geometry'].x
centroids['lat'] = centroids['geometry'].y
centroids = pd.DataFrame(centroids[["county_name",'lon','lat','winner', 'CENSUS_2010_POP']])
groups = centroids.groupby('winner')
df = centroids.copy()
df['text'] = df["county_name"] + '<br>Population ' + (df['CENSUS_2010_POP']/1e3).astype(str)+' thousands'
limits = ["republican","democrats"]
colors = ['#FF0000', '#0000FF']
```
```{python, include = TRUE, echo=TRUE}
df['color'] = df['winner'].replace(color_dict)
df['size'] = df['CENSUS_2010_POP']/6000
df['color'] = df['winner'].replace(color_dict)
df['size'] = df['CENSUS_2010_POP']/6000
df['text'] = df["county_name"] + '<br>Population ' + (df['CENSUS_2010_POP']/1e3).astype(str)+' thousands'
fig_plotly = pgo.Figure(
data=pgo.Scattergeo(
locationmode = 'USA-states',
lon=df["lon"], lat=df["lat"],
text = df["text"],
mode = 'markers',
marker_color = df["color"],
marker_size = df['size']
)
)
```
```{python, include = TRUE, echo=TRUE}
fig_plotly.update_traces(
marker = dict(
opacity=0.5,
line_color='rgb(40,40,40)',
line_width=0.5,
sizemode = 'area'
)
)
fig_plotly.update_layout(
title_text = "Reproduction of the \"Acres don't vote, people do\" map <br>(Click legend to toggle traces)",
showlegend = True,
geo = dict(
scope = 'usa',
landcolor = 'rgb(217, 217, 217)',
)
)
```
```{python, include = FALSE}
fig_plotly.write_json("people_vote.json")
```
{{< chart data="../course/modelisation/people_vote" >}}
## Explorer la structure des données
La première étape nécessaire à suivre avant de se lancer dans la modélisation
est de déterminer les variables à inclure dans le modèle.
Les fonctionnalités de `pandas` sont, à ce niveau, suffisantes pour explorer des structures simples. Néanmoins, lorsqu'on est face à un jeu de données présentant de nombreuses variables explicatives (*features* en machine learning, *covariates* en économétrie), il est souvent judicieux d'avoir une première étape de sélection de variable, ce que nous verrons par la suite dans la [partie dédiée](https://linogaliana-teaching.netlify.app/lasso/).
Avant d'être en mesure de sélectionner le meilleur ensemble de variables explicatives, nous allons en prendre un nombre restreint et arbitraire. La première tâche est de représenter les relations entre les données, notamment la relation des variables explicatives à la variable dépendante (le score du parti républicain) ainsi que les relations entre les variables explicatives.
{{% panel status="exercise" title="Exercice" icon="fas fa-pencil-alt" %}}
**Exercice 2 : Regarder les corrélations entre les variables**
1. Créer un DataFrame `df2` plus petit avec les variables `winner` et
`votes_gop`, `Unemployment_rate_2019`,
`Median_Household_Income_2019`,
`Percent of adults with less than a high school diploma, 2015-19`,
`Percent of adults with a bachelor's degree or higher, 2015-19`
```{python}
#| include: false
#| echo: false
# 1. Créer le data.frame df2.
df2 = votes.set_index("GEOID").loc[: , ["winner", "votes_gop",
'Unemployment_rate_2019', 'Median_Household_Income_2019',
'Percent of adults with less than a high school diploma, 2015-19',
"Percent of adults with a bachelor's degree or higher, 2015-19"]]
```
2. Représenter grâce à un graphique la matrice de corrélation avec `heatmap` de `seaborn`.
```{python heatmap seaborn}
#| include: false
#| echo: false
# 2. Matrice de corrélation graphique
sns.heatmap(df2.drop("winner", axis = 1).corr(), cmap='coolwarm', annot=True, fmt=".2f")
plt.savefig('correlation_matrix2.png', bbox_inches='tight')
## Construction directement avec pandas également possible
df2.drop("winner", axis = 1).corr().style.background_gradient(cmap='coolwarm').set_precision(2)
```
Elle aura l'aspect suivant:
```{r, echo = FALSE}
knitr::include_graphics('correlation_matrix2.png')
```
3. Choisir quelques variables (pas plus de 4 ou 5) et représenter une matrice de nuages de points
```{python scatter_matrix, warning = FALSE, message = FALSE}
#| include: false
#| echo: false
# 3. Matrice de nuages de points
ax = pd.plotting.scatter_matrix(df2, figsize = (15,15))
ax
plt.savefig('scatter_matrix.png', bbox_inches='tight')
```
```{r, echo = FALSE}
knitr::include_graphics("scatter_matrix.png")
```
4. (optionnel) Refaire ces figures avec `plotly` qui offre également la possibilité de faire une matrice de corrélation. Le résultat devrait ressembler au graphique suivant :
```{python scatter_matrix_plotly}
#| include: false
#| echo: false
# 4. Matrice de corélation avec plotly
import plotly
import plotly.express as px
htmlsnip2 = px.scatter_matrix(df2)
htmlsnip2.update_traces(diagonal_visible=False)
# Pour inclusion dans le site web
htmlsnip2.write_json("scatter_matrix.json")
```
{{< chart data="../course/modelisation/scatter_matrix" >}}
{{% /panel %}}
## Transformer les données
Les différences d'échelle ou de distribution entre les variables peuvent
diverger des hypothèses sous-jacentes dans les modèles.
Par exemple, dans le cadre
de la régression linéaire, les variables catégorielles ne sont pas traitées à la même
enseigne que les variables ayant valeur dans $\mathbb{R}$. Une variable
discrète (prenant un nombre fini de valeurs) devra être transformées en suite de
variables 0/1 par rapport à une modalité de référence pour être en adéquation
avec les hypothèses de la régression linéaire. On appelle ce type de transformation
*one-hot encoding*, sur lequel nous reviendrons. Il s'agit d'une transformation,
parmi d'autres, disponibles dans `scikit` pour mettre en adéquation un jeu de
données et des hypothèses mathématiques.
L'ensemble de ces tâches s'appelle le *preprocessing*. L'un des intérêts
d'utiliser `scikit` est qu'on peut considérer qu'une tâche de preprocessing
est une tâche d'apprentissage (on apprend des paramètres d'une structure
de données) qui est réutilisable pour un jeu de données à la structure
similaire:
```{r, echo = FALSE}
knitr::include_graphics("scikit_predict.png")
```
### Standardisation
La standardisation consiste à transformer des données pour que la distribution empirique suive une loi $\mathcal{N}(0,1)$. Pour être performants, la plupart des modèles de machine learning nécessitent souvent d'avoir des données dans cette distribution.
{{% panel status="warning" title="Warning" icon="fa fa-exclamation-triangle" %}}
Pour un statisticien, le terme `normalization` dans le vocable `scikit` peut avoir un sens contre-intuitif. On s'attendrait à ce que la normalisation consiste à transformer une variable de manière à ce que $X \sim \mathcal{N}(0,1)$. C'est, en fait, la **standardisation** en `scikit`.
La **normalisation** consiste à modifier les données de manière à avoir une norme unitaire. La raison est expliquée plus bas.
{{% /panel %}}
{{% panel status="exercise" title="Exercice" icon="fas fa-pencil-alt" %}}
**Exercice 3: Standardisation**
1. Standardiser la variable `Median_Household_Income_2019` (ne pas écraser les valeurs !) et regarder l'histogramme avant/après normalisation.
```{python standardisation, message = FALSE, warning = FALSE}
#| include: false
#| echo: false
# 1. Standardisation de Median_Household_Income_2019 et histogramme
from sklearn import preprocessing
df2['y_standard'] = preprocessing.scale(df2['Median_Household_Income_2019'])
f, axes = plt.subplots(2, figsize=(10, 10))
sns.distplot(df2["Median_Household_Income_2019"] , color="skyblue", ax=axes[0])
sns.distplot(df2["y_standard"] , color="olive", ax=axes[1])
plt.savefig('standardisation.png', bbox_inches='tight')
```
```{r, echo=FALSE}
knitr::include_graphics("standardisation.png")
```
*Note : On obtient bien une distribution centrée à zéro et on pourrait vérifier que la variance empirique soit bien égale à 1. On pourrait aussi vérifier que ceci est vrai également quand on transforme plusieurs colonnes à la fois.*
2. Créer `scaler`, un `Transformer` que vous construisez sur les 1000 premières lignes de votre DataFrame. Vérifier la moyenne et l'écart-type de chaque colonne sur ces mêmes observations.
```{python}
#| include: false
#| echo: false
# 2. Créer un scaler
df2 = df2.drop("winner", axis = 1)
scaler = preprocessing.StandardScaler().fit(df2.head(1000))
scaler.transform(df2.head(1000))
print("Moyenne de chaque variable sur 1000 premières observations")
scaler.transform(df2.head(1000)).mean(axis=0)
print("Ecart-type de chaque variable sur 1000 premières observations")
scaler.transform(df2.head(1000)).std(axis=0)
```
*Note : Les paramètres qui seront utilisés pour une standardisation ultérieure sont stockés dans les attributs `.mean_` et `.scale_`*
```{python}
#| include: false
#| echo: true
scaler.mean_
scaler.scale_
```
On peut voir ces attributs comme des paramètres entraînés sur un certain jeu de
données et qu'on peut réutiliser sur un autre, à condition que les
dimensions coïncident.
3. Appliquer `scaler` sur les autres lignes du DataFrame et comparer les distributions obtenues de la variable `Median_Household_Income_2019`.
```{python}
#| include: false
#| echo: false
# 3. Appliquer le scaler à toutes les autres lignes
X1 = scaler.transform(df2.head(1000))
X2 = scaler.transform(df2[1000:])
col_pos = df2.columns.get_loc("Median_Household_Income_2019")
# X2.mean(axis = 0)
# X2.std(axis = 0)
f, axes = plt.subplots(2, figsize=(10, 10))
sns.distplot(X1[:,col_pos] , color="skyblue", ax=axes[0])
sns.distplot(X2[:,col_pos] , color="olive", ax=axes[1])
plt.savefig('standardisation2.png', bbox_inches='tight')
```
```{r, echo = FALSE}
knitr::include_graphics("standardisation2.png")
```
*Note : Une fois appliqués à un autre `DataFrame`, on peut remarquer que la distribution n'est pas exactement centrée-réduite dans le `DataFrame` sur lequel les paramètres n'ont pas été estimés. C'est normal, l'échantillon initial n'était pas aléatoire, les moyennes et variances de cet échantillon n'ont pas de raison de coïncider avec les moments de l'échantillon complet.*
{{% /panel %}}
### Normalisation
La **normalisation** est l'action de transformer les données de manière à obtenir une norme ($\mathcal{l}_1$ ou $\mathcal{l}_2$) unitaire. Autrement dit, avec la norme adéquate, la somme des éléments est égale à 1. Par défaut, la norme est dans $\mathcal{l}_2$. Cette transformation est particulièrement utilisée en classification de texte ou pour effectuer du *clustering*.
{{% panel status="exercise" title="Exercice" icon="fas fa-pencil-alt" %}}
**Exercice 4 : Normalisation**
1. Normaliser la variable `Median_Household_Income_2019` (ne pas écraser les valeurs !) et regarder l'histogramme avant/après normalisation.
```{python normalisation}
#| include: false
#| echo: false
# 1. Normalisation de Median_Household_Income_2019 et histogrammes
scaler = preprocessing.Normalizer().fit(df2.dropna(how = "any").head(1000))
X1 = scaler.transform(df2.dropna(how = "any").head(1000))
f, axes = plt.subplots(2, figsize=(10, 10))
sns.distplot(df2["Median_Household_Income_2019"] , color="skyblue", ax=axes[0])
sns.distplot(X1[:,col_pos] , color="olive", ax=axes[1])
plt.savefig('normalisation.png', bbox_inches='tight')
```
```{r, echo = FALSE}
knitr::include_graphics("normalisation.png")
```
2. Vérifier que la norme $\mathcal{l}_2$ est bien égale à 1.
```{python}
#| include: false
#| echo: false
# 2. Vérification de la norme L2
np.sqrt(np.sum(X1**2, axis=1))[:5] # L2-norm
```
{{% /panel %}}
{{% panel status="warning" title="Warning" icon="fa fa-exclamation-triangle" %}}
` preprocessing.Normalizer` n'accepte pas les valeurs manquantes, alors que `preprocessing.StandardScaler()` s'en accomode (dans la version `0.22` de scikit). Pour pouvoir aisément appliquer le *normalizer*, il faut
* retirer les valeurs manquantes du DataFrame avec la méthode `dropna`: `df.dropna(how = "any")`;
* ou les imputer avec un modèle adéquat. [`scikit` permet de le faire](https://scikit-learn.org/stable/modules/preprocessing.html#imputation-of-missing-values).
{{% /panel %}}
### Encodage des valeurs catégorielles
Les données catégorielles doivent être recodées sous forme de valeurs numériques pour être intégrables dans le cadre d'un modèle. Cela peut être fait de plusieurs manières :
* `LabelEncoder`: transforme un vecteur `["a","b","c"]` en vecteur numérique `[0,1,2]`. Cette approche a l'inconvénient d'introduire un ordre dans les modalités, ce qui n'est pas toujours souhaitable
* `OrdinalEncoder`: une version généralisée du `LabelEncoder` qui a vocation à s'appliquer sur des matrices ($X$), alors que `LabelEncoder` est plutôt pour un vecteur ($y$)
* `pandas.get_dummies` effectue une opération de *dummy expansion*. Un vecteur de taille *n* avec *K* catégories sera transformé en matrice de taille $n \times K$ pour lequel chaque colonne sera une variable *dummy* pour la modalité *k*. Il y a ici $K$ modalités et il y a donc multicollinéarité. Avec une régression linéaire avec constante, il convient de retirer une modalité avant l'estimation.
* `OneHotEncoder` est une version généralisée (et optimisée) de la *dummy expansion*. Il a plutôt vocation à s'appliquer sur les *features* ($X$) du modèle
{{% panel status="exercise" title="Exercice" icon="fas fa-pencil-alt" %}}
**Exercice 5 : Encoder des variables catégorielles**
1. Créer `df` qui conserve uniquement les variables `state_name` et `county_name` dans `votes`.
```{python}
#| include: false
#| echo: false
#1. Création de df
df = votes[["state_name",'county_name']]
```
2. Appliquer à `state_name` un `LabelEncoder`
```{python}
#| include: false
#| echo: false
#2. Appliquer un LabelEncoder à stat_name
label_enc = preprocessing.LabelEncoder().fit(df['state_name'])
np.column_stack((label_enc.transform(df['state_name']),df['state_name']))
```
*Note : Le résultat du label encoding est relativement intuitif, notamment quand on le met en relation avec le vecteur initial.*
3. Regarder la *dummy expansion* de `state_name`
```{python}
#| include: false
#| echo: false
# 3. dummy expansion de state_name
pd.get_dummies(df['state_name'])
```
4. Appliquer un `OrdinalEncoder` à `df[['state_name', 'county_name']]`
```{python}
#| include: false
#| echo: false
# 4. OrdinalEncoder
ord_enc = preprocessing.OrdinalEncoder().fit(df)
# ord_enc.transform(df[['state', 'county']])
ord_enc.transform(df)[:,0]
```
*Note : Le résultat du *ordinal encoding* est cohérent avec celui du label encoding*
5. Appliquer un `OneHotEncoder` à `df[['state_name', 'county_name']]`
```{python}
#| include: false
#| echo: false
# 5. OneHotEncoder
onehot_enc = preprocessing.OneHotEncoder().fit(df)
onehot_enc.transform(df)
```
*Note : `scikit` optimise l'objet nécessaire pour stocker le résultat d'un modèle de transformation. Par exemple, le résultat de l'encoding One Hot est un objet très volumineux. Dans ce cas, scikit utilise une matrice Sparse.*
{{% /panel %}}