Кардинальность (Cardinality) — это количество уникальных значений, которые может принимать признак в наборе данных. Проще говоря, кардинальность показывает, сколько разных значений есть у переменной.

Этот термин особенно часто используется при работе с категориальными признаками в Машинном обучении (ML) и аналитике данных.

Простой пример

Предположим, есть колонка country:

user	country
1	USA
2	Germany
3	USA
4	France
5	Germany

Уникальные значения:

USA
Germany
France

Кардинальность признака country = 3.

Низкая и высокая кардинальность

Категориальные признаки обычно делят на два типа.

Низкая кардинальность

Признак имеет небольшое количество уникальных значений:

• пол (2 значения)
• день недели (7 значений)
• статус заказа (3–5 значений)
  Такие признаки легко кодируются.

Высокая кардинальность

Признак имеет много уникальных значений:

• user_id
• email
• номер телефона
• адрес
• название товара
  Иногда количество уникальных значений может быть почти равно количеству строк.

Почему кардинальность важна в ML

Кардинальность напрямую влияет на способ обработки данных.

Проблемы One-Hot Encoding

Если использовать One-Hot Encoding для признака с высокой кардинальностью (к примеру, city имеет 10 000 уникальных значений), то появится 10 000 новых колонок.

Это приводит к огромным матрицам признаков, росту расходуемой памяти и замедлению обучения.

Риск переобучения

Если признак почти уникален (например user_id), модель может:

• запомнить конкретные объекты
• плохо обобщать на новые данные

3. Влияние на выбор модели

Некоторые алгоритмы лучше работают с высокой кардинальностью:

• CatBoost
• LightGBM
• Target Encoding

Как посмотреть кардинальность в Python

import pandas as pd

data = pd.DataFrame({
    "city": ["London", "Paris", "London", "Berlin", "Paris"]
})

cardinality = data["city"].nunique()
print(cardinality)

3

Как работать с признаками высокой кардинальности

Есть несколько распространённых подходов.

• Target Encoding: заменяем категорию средним значением таргета.
• Frequency Encoding: Категория заменяется частотой появления.
• Embeddings: Используется в нейросетях.
• Специализированные алгоритмы: Word2Vec, GloVe, FastText и т.д.

Когда высокая кардинальность — это нормально

Высокая кардинальность не всегда проблема.

Например:

• товар в интернет-магазине
• ID пользователя
• геолокации

В таких задачах важно просто правильно закодировать признак.