データ分析 質的変数（カテゴリカル変数）を数値に変換

質的変数（カテゴリカル変数）とは

カテゴリカル変数とは、値がカテゴリーやラベルで表される変数のことです。
これらの変数はカテゴリーごとの区別や分類を目的としています。
例）

• 性別：男性、女性
• 血液型：A型、B型、O型、AB型
• 教育レベル：小学校、中学校、高校、大学

質的変数は 名義尺度 と 順序尺度に分けられます
質的変数
　├── 名義尺度 (Nominal scale)
　└── 順序尺度 (Ordinal scale)

名義尺度

順序がないカテゴリ変数。カテゴリー間に優劣や順序はない。
性別：男性、女性
血液型：A型、B型、O型、AB型
地域：東京、大阪、福岡

順序尺度

順序があるカテゴリ変数。ただし、カテゴリー間の差の大きさは比較できない。
教育レベル：小学校、中学校、高校、大学
顧客満足度：低、中、高

質的変数を数値に置き換える

データ分析で質的変数を扱う場合、多くの分析モデルでは数値での入力しか受け付けていないため
質的変数を数値に置きかえる必要があります。

方法1. Label Encoding

カテゴリごとに一意の整数値を割り当てます
順序尺度に使うことが多いです。

• 赤 → 0
• 青 → 1
• 緑 → 2

カテゴリ	エンコード値
赤	0
青	1
緑	2

方法2. One Hot Encoding

各カテゴリに新しい列が作られ、それぞれのカテゴリに対応する列だけが1、それ以外は0になります
名義尺度に追加うことが多いです。

• 赤
• 青
• 緑

カテゴリ	赤	青	緑
赤	1	0	0
青	0	1	0
緑	0	0	1

One Hot Encodingの実装例

カテゴリ変数を確認します

df.info()

型がobject のものはカテゴリ変数です

DataFrameの select_dtypes メソッドをつかってobject 型の列名を表示します

df.select_dtypes('object').columns

それぞれの列のユニーク値を確認します。

df['性別'].unique()

array(['女性', '男性'], dtype=object)

df['購入形態'].unique()

array(['プレゼント用', '自分用'], dtype=object)

df['購入の目的'].unique()

array(['記念日', '婚約', '日常使い'], dtype=object)

pandasのget_dummiesメソッドを使って、カテゴリカル変数を変換します

df_encoded1 = pd.get_dummies(df)
df_encoded1.head(5)

boolで表示されているので数値に変換します

df_encoded2 = pd.get_dummies(df).astype(int)
df_encoded2.head(5)

One Hot Encoding は、カテゴリの数が多い場合、データが多次元化してしまいます。
たとえば、「購入の目的」というカテゴリ列に
（記念日/婚約/日常使い）と3つの値があれば、1列（1次元）だったデータが3列（3次元）になってしまいます。

そこで、最初のカテゴリを削除することで、データの冗長性を減らすオプションを指定します

df_encoded3 = pd.get_dummies(df, drop_first = True).astype(int)
df_encoded3

One Hot Encoding　と Label Encoding を併用する

Label Encoding は sklearn（サーキットラーン）ライブラリ の LabelEncoder クラスを使用します。

性別 (男性/女性) と 職位（主任/係長/課長/部長）のデータを
性別は順位がないので One Hot Encoding で数値化し、
職位は順序があるので Label Encoding で数値化してみます。

import pandas as pd
from sklearn.preprocessing import LabelEncoder

# データフレームの作成
df = pd.DataFrame({
    '性別': ['男性', '女性', '男性', '女性'],
    '職位': ['主任', '係長', '課長', '部長'],
    '年齢': [35, 40, 45, 50]
})


# 性別をOne Hot Encoding
df = pd.get_dummies(df, columns=['性別'], drop_first=True)
df['性別_男性'] = df['性別_男性'].astype(int)
df

index	職位	年齢	性別_男性
0	主任	35	1
1	係長	40	0
2	課長	45	1
3	部長	50	0

# 職位をLabel Encoding
le = LabelEncoder()
df['職位'] = le.fit_transform(df['職位'])
df

index	職位	年齢	性別_男性
0	0	35	1
1	1	40	0
2	2	45	1
3	3	50	0