Kategorien codieren in der Datenanalyse mit Python: OneHot und LabelEncoder

30.06.2025

Einleitung

In der Datenanalyse und maschinellem Lernen ist es oft notwendig, kategorische Daten in eine numerische Form zu transformieren, damit Algorithmen effizient damit arbeiten können. Zwei weit verbreitete Methoden zur Kodierung von Kategorien in Python sind OneHot-Encoding und Label-Encoding. In diesem Artikel erkläre ich Ihnen, wie und wann diese Techniken anzuwenden sind, um Ihre Datenanalyse zu verbessern.

Warum Kategorien kodieren?

Maschinelle Lernalgorithmen arbeiten in der Regel mit numerischen Daten. Daher müssen kategorische Daten, wie z.B. Farben oder Länder, in eine numerische Form umgewandelt werden. Dies verbessert nicht nur die Effizienz der Algorithmen, sondern kann auch die Genauigkeit der Modelle erhöhen. OneHot-Encoding und Label-Encoding sind zwei Techniken, die diesen Transformationsprozess ermöglichen.

OneHot-Encoding

OneHot-Encoding ist eine Technik, bei der jede Kategorie in ein binäres Vektorformat umgewandelt wird. Jede Kategorie erhält eine eigene Spalte, und der Wert ist entweder 0 oder 1. Diese Methode ist besonders nützlich, wenn die Kategorien keine ordinale Beziehung haben.

Ein Beispiel: Wenn wir die Farben rot, grün und blau haben, würden diese in drei separate Spalten umgewandelt, wobei jede Zeile eine 1 in der entsprechenden Spalte für die Farbe enthält und 0 in den anderen.

Label-Encoding

Im Gegensatz dazu weist das Label-Encoding jeder Kategorie eine eindeutige Ganzzahl zu. Dies ist effizienter in Bezug auf Speicherplatz und Rechenleistung, kann jedoch problematisch sein, wenn die Kategorien keine ordinale Beziehung aufweisen, da Algorithmen möglicherweise eine falsche Ordnung in den Daten erkennen.

Zum Beispiel könnten die Farben rot, grün und blau in die Zahlen 0, 1 und 2 umgewandelt werden.

Wann welche Methode verwenden?

Die Wahl zwischen OneHot-Encoding und Label-Encoding hängt von der Art der Daten und dem verwendeten Algorithmus ab. OneHot-Encoding eignet sich besser für Daten ohne natürliche Reihenfolge, während Label-Encoding sinnvoll ist, wenn eine ordinale Beziehung zwischen den Kategorien besteht. Zudem ist OneHot-Encoding bei vielen Kategorien speicherintensiver.

Implementierung in Python

In Python können beide Methoden mit der Bibliothek scikit-learn einfach implementiert werden. Für das OneHot-Encoding verwenden wir OneHotEncoder, während für das Label-Encoding der LabelEncoder zum Einsatz kommt.

Hier ist ein kurzes Beispiel für beide Methoden:

from sklearn.preprocessing import OneHotEncoder, LabelEncoder

# Beispiel für Label-Encoding
label_encoder = LabelEncoder()
categories = ['rot', 'grün', 'blau']
encoded_labels = label_encoder.fit_transform(categories)

# Beispiel für OneHot-Encoding
one_hot_encoder = OneHotEncoder(sparse=False)
encoded_onehot = one_hot_encoder.fit_transform(categories.reshape(-1, 1))

Fazit

Das Verständnis der Unterschiede und Anwendungen von OneHot-Encoding und Label-Encoding ist entscheidend für die effiziente Verarbeitung von kategorischen Daten in der Datenanalyse. Beide Methoden haben ihre Vor- und Nachteile, und die Wahl der richtigen Technik kann den Unterschied in der Modellleistung ausmachen.