Natasha, uma cientista de dados, está trabalhando com um
conjunto de dados sobre carros para fazer um modelo preditivo
para uma companhia de seguros. A primeira versão do modelo
utiliza apenas informações básicas sobre os carros: a marca e a
cor.
Como esses dados são categóricos, Natasha faz um pré-processamento usando a biblioteca scikit-learn. Em um ambiente
interativo, ela executa os comandos a seguir.
>>> from sklearn.preprocessing import OneHotEncoder
>>> enc = OneHotEncoder()
>>> X = [['Toyota', 'vermelho'], ['Toyota',
'verde'], ['BMW', 'vermelho']]
>>> enc.fit(X)
>>> enc.get_feature_names()
array(['x0_BMW', 'x0_Toyota', 'x1_verde',
'x1_vermelho'], dtype=object)
>>> X_prime = enc.transform(X).toarray()
>>> X_prime
array([[0., 1., 0., 1.], [0., 1., 1., 0.], [1., 0.,
0., 1.]])
Para contar o número de carros da marca Toyota no conjunto de
dados, obtendo corretamente o resultado 2, Natasha pode usar a
seguinte linha de código: