Python学习笔记：利用pd.get_dummies实现哑变量编码

一、理论介绍

虚拟变量（dummy variable）也叫哑变量，是一种将多分类变量转换为二分变量的一种形式。

如果多分类变量有k个类别，则可以转化为k-1个二分变量。

需要有一个参照的类别。

在非线性关系的模型中，特别重要。

在模型分析时，虚拟变量都是同进同出，要么都在模型中，要么都不在模型中，不能只保留一个。

二、函数介绍

pandas 中可以利用 get_dummies() 函数进行哑变量编码。

使用语法：

pd.get_dummies(data,  # 输入的数据框
              prefix=None, # 列名的前缀
              prefix_sep='_', # 分割符
              dummy_na=False, # 增加一列空缺值
              columns=None, # 指定要实现转换的列名
              sparse=False,
              drop_first=False, # 删除第一个类别值
              dtype=None)

三、实操

1.Series转换

import pandas as pd
import numpy as np
s = pd.Series(list('abca'))
pd.get_dummies(s)
'''
   a  b  c
0  1  0  0
1  0  1  0
2  0  0  1
3  1  0  0
'''

2.dummy_na 空缺值

s1 = ['a','b',np.nan]
pd.get_dummies(s1)
'''
   a  b
0  1  0
1  0  1
2  0  0
'''
pd.get_dummies(s1, dummy_na=True)
'''
   a  b  NaN
0  1  0    0
1  0  1    0
2  0  0    1
'''

3.prefix

prefix='' 参数设置编码后的变量名，默认为：原始列名_取值。

df = pd.DataFrame({'A': ['a', 'b', 'a'], 'B': ['b', 'a', 'c'],
                   'C': [1, 2, 3]})
pd.get_dummies(df)
'''
   C  A_a  A_b  B_a  B_b  B_c
0  1    1    0    0    1    0
1  2    0    1    1    0    0
2  3    1    0    0    0    1
'''
pd.get_dummies(df, prefix=['col1', 'col2'])
'''
   C  col1_a  col1_b  col2_a  col2_b  col2_c
0  1       1       0       0       1       0
1  2       0       1       1       0       0
2  3       1       0       0       0       1
'''

4.drop_first

drop_first 参数删除第一个类别，避免多重共线性。

pd.get_dummies(pd.Series(list('abcaa')))
pd.get_dummies(pd.Series(list('abcaa')), drop_first=True) # 删掉第一个

5.dtype

# 设置类型
pd.get_dummies(pd.Series(list('abc')), dtype=float) # 浮点数 1.0 0.0

6.其他

# 合并至原始数据
df = df.join(pd.get_dummies(df.A))

pd.get_dummies(df, columns=['A'])

参考链接：什么是哑变量(虚拟变量)，应用中应注意什么问题？

参考链接：pandas.get_dummies

参考链接：pandas.get_dummies 的用法

参考链接：Python对离散变量处理：哑变量编码和one-hot编码