One-Hot Encoding: représenter chaque modalité par une colonne

Transformer les catégories en variables binaires en utilisant l'encodage One-Hot

Dans le leçon précéndente qui traite le Label Encoding, nous avons encodé nos deux premiers champs catégoriels "Sex" et "Embarked" avec ette technique là. Maintenant, nous allons aborder une autre technique d’encodage. Il s'agit du One-Hot Encoding, que nous appliquerons sur la variable "Pclass" du dataset Titanic.

Bien que la variable Pclass soit représentée par des nombres (1, 2, 3), il ne s’agit pas de valeurs quantitatives mais de catégories ordinales correspondant aux classes des passagers (Première, Deuxième, Troisième). Si nous laissons ces chiffres tels quels, le modèle risque de les interpréter comme une relation numérique continue en considérant par exemple que la classe 3 est "trois fois" la classe 1, ce qui est faux.

Justement, le One-Hot Encoding permet d’éviter cette confusion en créant autant de colonnes binaires qu’il existe de modalités, c'est à dire une colonne pour la Première classe, une pour la Deuxième, et une pour la Troisième. Chaque passager sera alors représenté par un vecteur où une seule colonne prend la valeur 1 et les autres 0, ce qui indique précisément son appartenance à une catégorie.

Cette transformation rend l’information explicite pour l’algorithme et supprime toute ambiguïté liée à une interprétation numérique. Contrairement au Label Encoding qui attribue un ordre implicite aux catégories, le One-Hot Encoding préserve la nature purement qualitative des données et s’avère particulièrement adapté lorsque les catégories ne doivent pas être comparées entre elles par des valeurs numériques.

Préparer les données Titanic: One-Hot Encoding de la variable Pclass

Dans cette nouvelle étape, nous conservons l’encodage Label Encoding pour les variables Sex et Embarked, exactement comme dans la leçon précédente, afin de rester cohérents avec notre approche initiale. En revanche, pour la variable Pclass, nous utilisons désormais un One-Hot Encoding qui permet de transformer chaque modalité en colonnes binaires distinctes. Le code complet sera présenté en une seule fois et nous prendrons ensuite le temps d’expliquer les nouveautés introduites par cette transformation.
Passons à l'explication du code.

On commence par importer les modules d'encodage LabelEncoder et OneHotEncoder:
Ensuite, on encode la variable "Pclass":
Le paramètre sparse_output=False sert à générer une matrice dense (ou ableau NumPy dense). Par défaut, OneHotEncoder produit une matrice sparse, c’est-à-dire qu’il ne stocke que les positions des valeurs non nulles (les 1), ce qui permet de gagner beaucoup de mémoire lorsque la matrice contient une majorité de zéros. En revanche, en précisant sparse_output=False, on obtient un tableau dense où chaque valeur (0 ou 1) est explicitement représentée.
Après, on crée un DataFrame contenant les colonnes encodées en one-hot de Pclass avec des noms explicites et le même index que X:
Expliquons rapidement le rôle de chacun des paramètres passées lors de la création du dataframe:

• columns=ohe.get_feature_names_out(['Pclass']): Donne des noms explicites aux colonnes créées par l’encodage one-hot. Par exemple ['Pclass_1', 'Pclass_2', 'Pclass_3'] au lieu de simples indices numériques.
• index=X.index: Assure que le DataFrame résultant garde le même index que X, ce qui permet d’aligner parfaitement les nouvelles colonnes encodées avec les lignes originales du dataset.

En fin, on supprime la colonne originale Pclass du DataFrame X (car elle est catégorielle brute), puis on concatène les colonnes encodées pclass_df à X. Le résultat est un DataFrame enrichi où Pclass est remplacée par ses versions one-hot encodées (Pclass_1, Pclass_2, Pclass_3).
L'exécution du code entier produit ce résultat:

One-Hot Encoding à l'aide de la méthode get_dummies de Pandas

Il est tout à fait possible d’utiliser la fonction get_dummies de pandas à la place de OneHotEncoder de scikit-learn pour réaliser un encodage one-hot. Cette approche génère automatiquement des colonnes binaires (par exemple Pclass_1, Pclass_2, Pclass_3) sans avoir besoin de définir un encodeur ni d’appeler fit_transform.

L’avantage de cette technique est sa simplicité et sa rapidité, ce qui la rend particulièrement adaptée aux tâches exploratoires ou aux petits projets. En revanche, l’inconvénient est que get_dummies n’est pas intégré dans les pipelines scikit-learn, ce qui le rend moins pratique si l’on souhaite automatiser tout le prétraitement dans un workflow de machine learning.

On peut utiliser la méthode get_dummies comme ceci: