Codificador one-hot
Pega una columna de valores categóricos, uno por línea —colores, tallas, países—, y obtén la tabla codificada en one-hot: una columna por cada categoría distinta, con 1 donde la fila la tiene y 0 en el resto. Quita la primera columna para obtener las k − 1 variables dummy que necesita una regresión.
Funciona en tu navegador: nada de lo que escribes se envía a ningún sitio.
Cómo se usa
- Pega los valores de una columna categórica, uno por línea.
- Elige CSV, TSV (se pega directamente en una hoja de cálculo) o JSON.
- Elige el orden de columnas: según aparecen por primera vez o alfabético.
- Marca Quitar la primera categoría para la codificación dummy y decide si mantienes la columna del valor original.
Cómo funciona
La herramienta reúne los valores distintos en el orden elegido. Para cada fila escribe un 0 en cada columna de categoría y un 1 en la columna de su propio valor. En CSV, una categoría que contiene una coma, comillas o un salto de línea se pone entre comillas, como exige el estándar CSV. Con la codificación dummy se quita la primera categoría del orden, así que sus filas quedan todo ceros.
Ejemplo
Los valores rojo, verde, rojo, azul en orden de aparición dan tres columnas:
value,rojo,verde,azul
rojo,1,0,0
verde,0,1,0
rojo,1,0,0
azul,0,0,1
En orden alfabético y quitando la primera categoría, las columnas son rojo y verde; azul, la primera del orden alfabético, se quita y su fila queda 0,0.
Consejos
- Muchas categorías, muchas columnas. Si hay cientos de valores, agrupa antes los poco frecuentes en «otros».
- Saca las categorías de los datos de entrenamiento. En un pipeline de modelo, una categoría que solo aparece en datos nuevos necesita una regla: una fila de ceros o una columna «desconocido».
- Excel con configuración regional española espera CSV con punto y coma; para pegar en una hoja, el TSV es más cómodo.
Preguntas frecuentes
¿Qué es la codificación one-hot?
Una forma de convertir una variable categórica en números para el aprendizaje automático. Cada categoría distinta recibe su propia columna; una fila lleva 1 en la columna de su categoría y 0 en las demás. A diferencia de numerar las categorías 1, 2, 3, no sugiere ningún orden ni distancia entre ellas.
¿Qué diferencia hay entre one-hot y codificación dummy?
La codificación dummy quita la columna de una categoría y deja k − 1 columnas para k categorías. La categoría quitada es la fila de todo ceros. La regresión lineal lo necesita, porque las k columnas one-hot siempre suman 1 y serían perfectamente colineales con el término independiente (la trampa de las variables dummy).
¿Qué pasa con las líneas vacías y los espacios?
Cada valor se recorta y las líneas vacías se saltan. Se distinguen mayúsculas y minúsculas: «Madrid» y «madrid» son dos categorías. Si deben ser la misma, limpia antes los datos.
¿Es lo mismo que get_dummies de pandas o OneHotEncoder de scikit-learn?
La idea es la misma. pandas.get_dummies ordena las categorías y tiene drop_first; OneHotEncoder de scikit-learn también las ordena y tiene drop='first'. Elige «Alfabético» para que coincida el orden de columnas.