1. Construire le jeu de données de test

Commençons par créer un dataframe exemple pour illustrer les différentes techniques d'encodage.

import pandas as pd
import numpy as np

# Génération d'un dataframe de démonstration
donnees = pd.DataFrame({
    'Statut': ['H', 'F', 'H', 'H', 'H', 'F', 'H', 'F', 'F', 'F'],
    'Module': ['Francais', 'C', 'Maths', 'Python', 'Java', 'PHP', 'Linux', 'SQL', 'Python', 'C++'],
    'Resultat': np.random.randint(0, 100, 10)
})
# Exemple de sortie :
#   Statut    Module  Resultat
# 0      H  Francais        45
# 1      F         C        82
# 2      H     Maths        67
# 3      H    Python        33
# 4      H      Java        78
# 5      F       PHP        91
# 6      H     Linux        12
# 7      F       SQL        56
# 8      F    Python        73
# 9      F       C++        28

2. Fonction personnalisée avec itération

Utilisons une fonction dédiée pour catégoriser les résultats, appliquée via une boucle.

def categoriser_resultat(val):
    if val >= 90:
        return 'Excellent'
    elif 80 <= val < 90:
        return 'Bien'
    elif 70 <= val < 80:
        return 'Satisfaisant'
    elif 60 <= val < 70:
        return 'Passable'
    else:
        return 'Insuffisant'

donnees['Categorie'] = None
for idx in range(len(donnees)):
    donnees.iloc[idx, 3] = categoriser_resultat(donnees.iloc[idx, 2])

3. Fonction personnalisée avec map

Appliquons la même fonction de manière plus efficace avec la méthode map.

donnees['Categorie_2'] = donnees['Resultat'].map(categoriser_resultat)

4. Fonction personnalisée avec apply

Alternative utilisant apply avec une lambda, bien que cette approche puisse être moins performante pour de grands volumes de données.

donnees['Categorie_3'] = donnees['Resultat'].apply(
    lambda x: 'Excellent' if x >= 90 
    else ('Bien' if 80 <= x < 90 
    else ('Satisfaisant' if 70 <= x < 80 
    else ('Passable' if 60 <= x < 70 
    else 'Insuffisant')))
)

5. Utilisation de pd.cut pour la segmentation

La fonction cut permet de diviser les données en intervalles prédéfinis.

seuils = [0, 59, 69, 79, 89, 100]
donnees['Categorie_4'] = pd.cut(donnees['Resultat'], seuils, labels=['Insuffisant', 'Passable', 'Satisfaisant', 'Bien', 'Excellent'])

6. Binarisation avec scikit-learn

Transformons les scores en valeurs binaires en utilisant un seuil spécifique.

from sklearn.preprocessing import Binarizer

binariseur = Binarizer(threshold=60)
donnees['Resultat_binaire'] = binariseur.fit_transform(np.array(donnees['Resultat']).reshape(-1, 1))

7. Encodage par remplacement avec replace

Convertissons des catégories textuelles en valeurs numériques via replace.

donnees['Statut_code'] = donnees['Statut'].replace(['H', 'F'], [0, 1])

8. Conversion en dictionnaire avec value_counts

Créons un mapping basé sur la fréquence des valeurs pour encoder les modules.

frequence_modules = donnees['Module'].value_counts().index
carte_modules = {valeur: idx for idx, valeur in enumerate(frequence_modules)}
donnees['Module_code'] = donnees.replace({'Module': carte_modules})['Module']

9. Encodage avec set et map

Générons un dictionnaire d'encodage à partir des valeurs uniques.

modules_uniques = set(donnees['Module'])
carte_encodage = {v: i for i, v in enumerate(modules_uniques)}
donnees['Module_code_2'] = donnees['Module'].map(carte_encodage)

10. Conversion en type catégorie avec astype

Utilisons le type catégorie de pandas pour encoder automatiquement.

donnees['Module_categorie'] = donnees['Module'].astype('category')
donnees['Module_code_3'] = donnees['Module_categorie'].cat.codes

11. Encodage avec LabelEncoder de scikit-learn

Appliquons l'encodeur de labels pour transformer des colonnes spécifiques.

from sklearn.preprocessing import LabelEncoder

encodeur1 = LabelEncoder()
encodeur1.fit(donnees['Statut'])
donnees['Statut_code_2'] = encodeur1.transform(donnees['Statut'])

encodeur2 = LabelEncoder()
donnees['Module_code_4'] = encodeur2.fit_transform(donnees['Module'])

12. Encodage ordinal avec OrdinalEncoder

L'encodeur ordinal permet de transformer plusieurs colonnes simultanément.

from sklearn.preprocessing import OrdinalEncoder

encodeur_ordinal = OrdinalEncoder()
encodeur_ordinal.fit(donnees[['Statut', 'Module']])
donnees[['Statut_code_3', 'Module_code_5']] = encodeur_ordinal.transform(donnees[['Statut', 'Module']])

13. Encodage séquentiel avec factorize

La méthode factorize attribue des codes basés sur l'ordre d'apparition des valeurs.

# Encodage basé sur l'ordre d'apparition
donnees['Module_code_6'] = pd.factorize(donnees['Module'])[0]

# Application sur plusieurs colonnes avec une lambda
colonnes_catégoriques = donnees.select_dtypes(['object']).columns
donnees[['Statut_code_4', 'Module_code_7']] = donnees[colonnes_catégoriques].apply(lambda x: pd.factorize(x)[0])