[前言：我现在意识到我应该使用分类模型（也许是决策树），但我最终使用了线性回归模型。]
我有一个熊猫数据框：
我想使用流派、年份、番茄计分来预测观众得分。但是按照构造，每部电影的类型都列在一个列表中，所以我觉得有必要隔离每种类型，以便将每种类型作为单独的变量传递到我的模型中。
这样做之后，我修改后的数据框看起来像这样，每部电影都有重复的行，但该电影的每个流派元素都是孤立的（只有一部电影从数据框中拉出来显示）：
现在，我的问题是，我可以将第二个数据帧按原样传递给 Patsy 和 statsmodel 线性回归，还是行重复会在我的模型中引入偏差？
y1, X1 = dmatrices('Q("Audience Score") ~ Year + Q("Tomato-meter") + Genre',
data=DF2, return_type='dataframe')
总之，寻找一种方法让 patsy 和我的模型将每种类型视为单独的变量.. 但要确保我不会通过传入这种格式的数据框作为数据来伪造数字/模型（因为不是每部电影都具有相同的#类型）。
我发现这种方法有两个问题：
参数估计：
如果重复观察的数量不同，则具有多个类别的观察的权重将大于仅具有单个类别的观察。这可以通过使用线性模型中的权重来纠正。使用权重等于重复次数的倒数（或平方根？）的 WLS。权重不适用于 Poisson 或 Logit 或 GLM-Binomial 等其他模型。这不会对参数估计产生更大的差异，如果“模式”，即基础参数在具有不同类别数量的电影之间没有系统地不同。
推断，参数估计的标准误差：
OLS、Poisson 等所有基本模型都假设每一行都是一个独立的观察值。总行数将大于实际观察数，并且会低估参数的估计标准误差。（我们可以使用集群稳健标准误差，但我从未检查过它们在重复观察中的工作情况，即在多个观察中的响应是相同的。）
选择
作为重复观察的替代方法，我会将类别编码为非排他性虚拟变量。例如，如果我们有三个级别的分类变量，在这种情况下是电影类别，那么1如果观察是"in"该类别，我们在每个对应的列中添加一个。
Patsy 对此没有预先支持，因此电影类别的设计矩阵需要手动构建或作为单个虚拟矩阵的总和（不删除参考类别）。
替代模型
这与解释变量中的多个类别的问题没有直接关系。
响应变量电影收视率必然在 0 到 100 之间。线性模型可以很好地作为局部近似值，但不会考虑到观察到的收视率在有限范围内，也不会强制它进行预测。
泊松回归可用于考虑非负性，但不会使用上限。两个更合适的替代方案是具有二项式系列的 GLM，并且每个观察的总计数设置为 100（最大可能评级），或者在将评级重新调整为 0 和 1 之间后使用二元模型，例如 Logit 或 Probit。后者对应于估计可以使用 statsmodels 二元响应模型估计的比例模型。即使数据不是二进制的，为了得到正确的推断，我们可以使用稳健的标准错误。例如
result = sm.Logity(y_proportion, x).fit(cov_type='HC0')
Patsy 没有任何内置方法来分离像您的Genre变量这样的“多类别”，据我所知，在 Pandas 中也没有直接的方法来表示它。
我会将它们Genre分成一堆布尔列，每个类别一个：神秘 = 真/假，喜剧 = 真/假等。这更适合 pandas 和 patsy 表示事物的方式。