Tengo un DataFrame que contiene datos sobre accidentes laborales y sus causas. En la columna de las causas existen 34 categorías diferentes.
El uso que le voy a dar a esta tabla es para un modelo de clustering de machine learning (KMeans) y quería convertir cada categoría en un número y sustituirlos en la tabla con Pandas o Numpy. Además querría tener una lista con los valores mapeados para conocer después del entrenamiento qué es cada cosa.
Sería el equivalente a lo que hago con SKlearn con:
label_encoding = preprocessing.LabelEncoder()
seguridad['Causa'] = label_encoding.fit_transform(seguridad['Causa'].astype(str))
Como duda añadida: ¿Se supone que el tener una categoría el valor de 30 y otra el de 1 le añadiría más peso al de mayor valor? He leído en algún sitio que por el motivo anterior sería mejor un One Hot Encoding, pero no creo que añadir 34 columnas sea muy eficiente.
Espero haber explicado bien el problema, Gracias de antemano!
0
o1
según corresponda