범주형 열 인코딩하기
원-핫 인코딩과 레이블 인코딩의 기초를 배웁니다
범주형 열 인코딩하기은(는) CoddyKit의 무료 Data Science Academy 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Data Science Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Data Science Academy 강의에는 총 4개의 강의가 포함되어 있습니다.
이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.
Why Encoding Matters
Most models only understand numbers, yet your data is full of words like red or blue. Encoding turns those labels into numbers a model can learn from. 🔢
Nominal vs Ordinal
Some categories have order, like small, medium, large. Others, like city names, do not. This order decides which encoding is honest.
Label Encoding
Label encoding assigns each category an integer: red becomes 0, blue becomes 1. Simple, but it invents an order that may not be real.
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
codes = le.fit_transform(df['color'])The Fake-Order Trap
If blue is 1 and green is 2, a model may think green is greater than blue. For nominal data that false ranking can hurt accuracy.
One-Hot Encoding
One-hot encoding makes one new column per category, marked 1 or 0. No fake order, just clean yes-or-no flags.
get_dummies in pandas
The fastest one-hot in pandas is get_dummies. Hand it a column and it expands every category into its own 0/1 column.
dummies = pd.get_dummies(df['color'])Avoid the Dummy Trap
The columns are perfectly correlated, so drop one with drop_first. This keeps linear models stable and avoids redundant information.
pd.get_dummies(df['color'], drop_first=True)OneHotEncoder for Pipelines
For models, prefer scikit-learn's OneHotEncoder. It remembers the categories it learned, so train and test stay perfectly aligned.
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder(handle_unknown='ignore')Encode Order on Purpose
When order is real, map it yourself so small to large becomes 1 to 3. An ordinal mapping keeps the meaning intact.
order = {'small': 1, 'medium': 2, 'large': 3}
df['size_num'] = df['size'].map(order)Beware High Cardinality
One-hot on a column with thousands of values explodes into thousands of columns. For high cardinality, consider grouping rare values first.
Handle Unseen Categories
New data may contain labels your encoder never saw. Plan for this so an unseen category does not crash your prediction step.
Quick Check
Your color column has no natural order. Which encoding avoids inventing a false ranking?
Recap: Encoding
You turned words into numbers: one-hot for unordered categories, ordinal maps for real order, and label encoding only when order does not matter. 🎉
자주 묻는 질문
“범주형 열 인코딩하기” 강의는 무료인가요?
네 — “범주형 열 인코딩하기” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Data Science Academy 강의 전체를 잠금 해제할 수 있습니다. Data Science Academy 강의에는 총 4개의 강의가 포함되어 있습니다.
“범주형 열 인코딩하기”에서 뭘 배우나요?
원-핫 인코딩과 레이블 인코딩의 기초를 배웁니다 브라우저에서 직접 실행하는 실습 코드로 Data Science Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.
Data Science Academy을(를) 시작하는 데 경험이 필요한가요?
사전 경험은 필요하지 않습니다. CoddyKit의 Data Science Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.
“범주형 열 인코딩하기” 강의는 얼마나 걸리나요?
대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.
이 Data Science Academy 강의에서 코드를 작성하고 실행할 수 있나요?
네. 모든 Data Science Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.
이 강의의 모든 강의
- 숫자를 범주로 구간화하기
- 범주형 열 인코딩하기
- 숫자 크기 조정과 정규화
- 날짜와 텍스트에서 특성 만들기