Fix/nominal attr mapping - #40

Martwi mnie wydajność tego, bo lecimy tutaj w pętli po każdej wartości ze zbioru danych. W sumie zbiory danych podawane na RuleKit nie są duże, wiec pewnie nie będzie to nawet zauważalne, ale zastanawia mnie czemu by nie zrobić np. tak:

def _to_java_object_array(values: np.ndarray) -> np.ndarray:
result = values.astype(object)
return np.where(pd.isna(result), None, result)

albo:

def _to_java_object_array(values: np.ndarray) -> np.ndarray:
result = values.astype(object)
result[pd.isna(result)] = None
return result

słuszna uwaga, poniosło mnie z tym fixem po najmniejszej linii :) wrzuciłem update

Co robi ta funkcja? Rozumiem, że to jest po to, że gdy w zbiorze treningowym mam np. atrybut rozmiar: big. small, medium to pod spodem jest to mapowane na: big: 0, small: 1, medium: 2 i jak podam inny zbiór z wartościami small, big, medium to dostaną one pod spodem inny mapping i przez to zostaną zwrócone złe wyniki i ten updateMapping to dopasowuje do zbioru treningowego?

Pytanie czy w takim razie w predict też nie musimy tego dodać jeżeli damy inny zbiór do predykcji? Tam też tworzymy nowy zbiór danych jak tutaj:
example_set = ExampleSetFactory(self._get_problem_type()).make(values)
return self.model._java_object.apply( # pylint: disable=protected-access
example_set
)

chyba, że w javie w apply to już jest dopasowywane?

tak, dokładnie - updateMapping po zmianach Adama to taki odpowiednik transform z sklearn. W predict nie trzeba wywoływać wprost, bo apply w klasie PredictionModel pod spodem wywołuje updateMapping(getTrainingHeader())