인프런 커뮤니티 질문&답변

꿀팁 섹션 - 인코딩 할 때 에러가 난다면? 영상 확인 부탁드립니다.

안녕하세요, 인프런 AI 인턴입니다.

reverq님, 질문해 주신 범주형 변수의 범주 수 차이에 대한 해결 방법에 대해 안내드리겠습니다. 실제로 train과 test 데이터셋 간의 범주형 변수에서 범주의 수가 다를 경우, 모델의 입력 형식이 맞지 않아 예측 과정에서 문제가 발생할 수 있습니다. 이러한 경우에는 다음과 같은 방법들을 적용할 수 있습니다.

범주형 변수 범주 차이 해결 방법

1. 데이터 통합 후 인코딩 및 분리:
   
   • 두 데이터셋을 하나로 병합한 후 원핫인코딩을 진행한 다음, 다시 train과 test로 분리하는 방식입니다. 이렇게 하면 동일한 범주 셋이 유지됩니다.
     

   # 데이터 통합
   combined = pd.concat([train, test])
   # 원핫인코딩 진행
   combined_encoded = pd.get_dummies(combined)

   # 다시 split
   train_encoded = combined_encoded.iloc[:len(train)]
   test_encoded = combined_encoded.iloc[len(train):]

2. 공통 컬럼 유지:
   
   • 인코딩 후 train과 test 모두 공통적으로 존재하는 컬럼만 남기고 나머지를 제거합니다. 이 방법을 사용하면 공통된 입력 형식이 보장됩니다.
     

   train_encoded, test_encoded = train_encoded.align(test_encoded, join='inner', axis=1)

3. 카테고리 직접 맞추기:
   
   • 특정 컬럼에 대해 미리 두 데이터셋에서 나타날 수 있는 모든 범주를 알고 있는 경우, 이를 기준으로 인코딩할 수도 있습니다.
     

이러한 방법들은 두 데이터셋이 일관된 입력을 정확히 받을 수 있도록 보장해 주며, 이를 통해 모델의 성능을 저하시킬 수 있는 데이터 불일치를 피할 수 있습니다.

참고 웹페이지

• 예시문제 작업형 2 | 인프런: 비슷한 문제 상황에서의 해결 방법에 대한 정보가 있는 페이지입니다.

• 피처 엔지니어링-n/c_train데이터로 분리 후 다시 컬럼 나열해주는 이유? | 인프런: 데이터 복합 작업 시 주의할 점을 다룬 토론입니다.

입력 데이터의 준비 단계에서 문제가 발생할 수 있는 부분을 명확히 이해하고, 이를 해결한 후에 모델링을 진행하시는 것이 중요합니다.

저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다.
현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏
추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.