One-Hot Encoding

A estratégia de One-Hot Encoding consiste em transformar dados categóricos em uma representação binária dos mesmos, transformando linhas em colunas.

Por exemplo:

Imagine que você tem a seguinte tabela

formato	cor	nome
redonda	vermelha	maçã
irregular	amarelo	banana
redonda	verde	maçã

Queremos construir um modelo para identificar, baseado no formato e na cor, se a fruta é uma "maçã" ou uma "banana".

Computadores não são bons com palavras, eles são bons em bits (0's e 1's).

Então, precisamos transformar nossos dados categóricos em bits.
Como fazemos isso? Utilizando a estratégia de One-Hot encoding.

Simples.

Vamos começar pela coluna formato.

Basta pegar todos os valores únicos que essa coluna tem, que no caso são "redonda" e "irregular".

Então, iremos criar duas colunas a mais:

redonda	irregular	formato	cor	nome
-	-	redonda	vermelha	maçã
-	-	irregular	amarelo	banana
-	-	redonda	verde	maçã

Por enquanto, sem valores.

Agora, para cada coluna "redonda" ou "irregular", iremos preencher com 0's e 1's.

Funciona da seguinte forma:

Vamos na linha 1 e verificamos qual o formato desse sample, e notamos que é "redonda",
então, agora na mesma linha na coluna redonda iremos preencher com o número "1", como se
estivéssemos "ativando" a propriedade redonda para aquela linha.
Agora, como se pode imaginar, podemos preencher a coluna irregular dessa linha com "0", já que só
podemos ter um formato para cada sample e no caso é "redonda" então deixamos o "irregular" "desativado".

Agora, fazemos isso para todas as outras linhas e ficamos com o seguinte formato:

redonda	irregular	formato	cor	nome
1	0	redonda	vermelha	maçã
0	1	irregular	amarelo	banana
1	0	redonda	verde	maçã

Agora, podemos remover a coluna "formato" pois já temos a informação do formato como colunas, então, ficamos com o seguinte resultado:

redonda	irregular	cor	nome
1	0	vermelha	maçã
0	1	amarelo	banana
1	0	verde	maçã

Agora, vemos que a "cor" também é uma variável categórica então aplicamos a ténica de transformar
as ocorrências únicas dessa variável em colunas

vermelha	amarela	verde	redonda	irregular	cor	nome
-	-	-	1	0	vermelha	maçã
-	-	-	0	1	amarelo	banana
-	-	-	1	0	verde	maçã

E então, fazemos o preenchimento com zeros e uns da mesma forma:

vermelha	amarela	verde	redonda	irregular	cor	nome
1	0	0	1	0	vermelha	maçã
0	1	0	0	1	amarelo	banana
0	0	1	1	0	verde	maçã

E, por fim, removemos a coluna "cor"

vermelha	amarela	verde	redonda	irregular	nome
1	0	0	1	0	maçã
0	1	0	0	1	banana
0	0	1	1	0	maçã

E agora, temos um dataset pronto para ser usado em um algoritimo de classificação, por exemplo.

Wiki

Variável categórica

Em estatística, uma variável categórica é uma variável que pode assumir apenas um número limitado, e geralmente fixo, de valores possíveis, atribuindo cada indivíduo ou outra unidade de observação a um determinado grupo ou categoria nominal com base em alguma propriedade qualitativa.

Sample

Em ciência de dados, um sample (amostra) refere-se a um conjunto selecionado de observações extraídas
de uma população maior para facilitar a análise e inferência estatística sem necessidade
de examinar toda a população.