Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

5.4

 特徴量エンジニアリング

379

vec.fit_transform(data)

Out[3]: array([[ 0, 1, 0, 850000, 4],

[ 1, 0, 0, 700000, 3],

[ 0, 0, 1, 650000, 3],

[ 1, 0, 0, 600000, 2]], dtype=int64)

地域の列は、それぞれの地域名に相当する

3

つの別々の列に展開され、各行はその地域に関連付

けられた列に

1

を持つことに注目してください。カテゴリ特徴量をこのようにエンコードしておけ

ば、

scikit-learn

モデルに通常の方法でデータを当

てはめることができます。

各列の意味を確認したければ、特徴名（

feature name

）を調べます。

In[4]: vec.get_feature_names()

Out[4]: ['neighborhood=Fremont',

'neighborhood=Queen Anne',

'neighborhood=Wallingford',

'price',

'rooms']

このアプローチには明らかに

1

つの欠点があります。カテゴリの値が多数ある場合、データセッ

トのサイズが大幅に増加する可能性があります。ただし、エンコードされたデータにはほとんどゼ

ロが含まれているため、疎な出力に対する非常に効率的な対策が存在します。

In[5]: vec = DictVectorizer(sparse=True, dtype=int)

vec.

fit_transform(data) ...