我有一组数据框，其中一个列包含一个分类变量。我想将它转换为几个虚拟变量，在这种情况下我通常会使用get_dummies.
发生的情况是get_dummies查看每个数据帧中可用的数据以找出有多少类别，从而创建适当数量的虚拟变量。但是，在我现在正在处理的问题中，我实际上提前知道可能的类别是什么。但是，当单独查看每个数据框时，并非所有类别都一定会出现。
我的问题是：有没有办法将get_dummies类别的名称传递给（或等效函数），这样，对于没有出现在给定数据框中的类别，它只会创建一列 0？
可以做到这一点的东西：
categories = ['a', 'b', 'c']
cat
1 a
2 b
3 a
变成这样：
cat_a cat_b cat_c
1 1 0 0
2 0 1 0
3 1 0 0
TL;博士：
pd.get_dummies(cat.astype(pd.CategoricalDtype(categories=categories)))
pd.get_dummies(cat.astype('category', categories=categories))有没有办法将类别的名称传递给 get_dummies （或等效函数），以便对于未出现在给定数据框中的类别，它只会创建一列 0？
就在这里！Pandas 有一种特殊类型的 Series 仅用于分类数据。该系列的属性之一是可能的类别，其中get_dummies考虑到了。这是一个例子：
In [1]: import pandas as pd
In [2]: possible_categories = list('abc')
In [3]: cat = pd.Series(list('aba'))
In [4]: cat = cat.astype(pd.CategoricalDtype(categories=possible_categories))
In [5]: cat
Out[5]:
0 a
1 b
2 a
dtype: category
Categories (3, object): [a, b, c]
然后，get_dummies将完全按照您的意愿行事！
In [6]: pd.get_dummies(cat)
Out[6]:
a b c
0 1 0 0
1 0 1 0
2 1 0 0
还有很多其他方法可以创建分类Seriesor DataFrame，这只是我觉得最方便的一种。您可以在pandas 文档中阅读所有这些内容。
编辑：
我没有遵循确切的版本控制，但是 pandas 如何处理稀疏矩阵存在一个错误，至少在 0.17.0 版本之前是这样。它已被版本 0.18.1（2016 年 5 月发布）更正。
对于 0.17.0 版本，如果您尝试使用sparse=True带有 a 的选项来执行此操作DataFrame，则缺少的虚拟变量的零列将是一列NaN，并且它将被转换为密集的。
看起来 pandas 0.21.0 添加了 a CategoricalDType，并且创建明确包含原始答案中的类别的分类已被弃用，我不太确定何时。
使用转置和重新索引
import pandas as pd
cats = ['a', 'b', 'c']
df = pd.DataFrame({'cat': ['a', 'b', 'a']})
dummies = pd.get_dummies(df, prefix='', prefix_sep='')
dummies = dummies.T.reindex(cats).T.fillna(0)
print dummies
a b c
0 1.0 0.0 0.0
1 0.0 1.0 0.0
2 1.0 0.0 0.0
我确实在 pandas github 上问过这个问题。Categorical事实证明，当您将列定义为定义所有可能类别的位置时，很容易绕过它。
df['col'] = pd.Categorical(df['col'], categories=['a', 'b', 'c', 'd'])
get_dummies()将按预期完成其余的工作。
尝试这个：
In[1]: import pandas as pd
cats = ["a", "b", "c"]
In[2]: df = pd.DataFrame({"cat": ["a", "b", "a"]})
In[3]: pd.concat((pd.get_dummies(df.cat, columns=cats), pd.DataFrame(columns=cats))).fillna(0)
Out[3]:
a b c
0 1.0 0.0 0
1 0.0 1.0 0
2 1.0 0.0 0
我不认为get_dummies它提供了开箱即用的功能，它只允许创建一个column突出NaN值的额外功能。
要自己添加缺失的columns内容，您可以使用pd.concat沿着axis=0垂直“堆叠” DataFrames（虚拟列加上 a DataFrame id）并自动创建任何缺失的列，用于fillna(0)替换缺失值，然后再次.groupby('id')用于分隔各个列DataFrame。
在测试集中添加缺失的类别：
# Get missing columns in the training test
missing_cols = set( train.columns ) - set( test.columns )
# Add a missing column in test set with default value equal to 0
for c in missing_cols:
test[c] = 0
# Ensure the order of column in the test set is in the same order than in train set
test = test[train.columns]
请注意，此代码还删除了从测试数据集中的类别产生的列，但在训练数据集中不存在
正如其他人所建议的 - 将您的分类特征转换为“类别”数据类型应该使用“ get_dummies ”解决看不见的标签问题。
# Your Data frame(df)
from sklearn.model_selection import train_test_split
X = df.loc[:,df.columns !='label']
Y = df.loc[:,df.columns =='label']
# Split the data into 70% training and 30% test
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.3)
# Convert Categorical Columns in your data frame to type 'category'
for col in df.select_dtypes(include=[np.object]).columns:
X_train[col] = X_train[col].astype('category', categories = df[col].unique())
X_test[col] = X_test[col].astype('category', categories = df[col].unique())
# Now, use get_dummies on training, test data and we will get same set of columns
X_train = pd.get_dummies(X_train,columns = ["Categorical_Columns"])
X_test = pd.get_dummies(X_test,columns = ["Categorical_Columns"])
越短越好：
import pandas as pd
cats = pd.Index(['a', 'b', 'c'])
df = pd.DataFrame({'cat': ['a', 'b', 'a']})
pd.get_dummies(df, prefix='', prefix_sep='').reindex(columns = cats, fill_value=0)
结果：
a b c
0 1 0 0
1 0 1 0
2 1 0 0
笔记：
cats需要是熊猫索引prefix=''并且prefix_sep=''需要设置才能使用您首先定义的猫类别。否则，get_dummies转换为：cats_a和cats_b) cats_c。对我来说这更好，因为它是明确的。NaNfrom 列c。或者，您可以fillna(0)在句末使用。（我不知道哪个更快）。这是一个更短的版本（更改了索引值）：
import pandas as pd
cats = pd.Index(['cat_a', 'cat_b', 'cat_c'])
df = pd.DataFrame({'cat': ['a', 'b', 'a']})
pd.get_dummies(df).reindex(columns = cats, fill_value=0)
结果：
cat_a cat_b cat_c
0 1 0 0
1 0 1 0
2 1 0 0
奖金轨道！
我想你有这些类别，因为你以前使用训练数据做了一个虚拟/一个热门。您可以保存原始编码（.columns），然后在生产期间应用：
cats = pd.Index(['cat_a', 'cat_b', 'cat_c']) # it might come from the original onehot encoding (df_ohe.columns)
import pickle
with open('cats.pickle', 'wb') as handle:
pickle.dump(cats, handle, protocol=pickle.HIGHEST_PROTOCOL)
with open('cats.pickle', 'rb') as handle:
saved_cats = pickle.load(handle)
df = pd.DataFrame({'cat': ['a', 'b', 'a']})
pd.get_dummies(df).reindex(columns = saved_cats, fill_value=0)
结果：
cat_a cat_b cat_c
0 1 0 0
1 0 1 0
2 1 0 0
如果您知道您的类别，您可以pd.get_dummies()按照您的建议先申请，然后添加缺少的类别列。
这将创建缺少的示例cat_c：
import pandas as pd
categories = ['a', 'b', 'c']
df = pd.DataFrame(list('aba'), columns=['cat'])
df = pd.get_dummies(df)
print(df)
cat_a cat_b
0 1 0
1 0 1
2 1 0
现在只需使用联合操作添加缺少的类别列（如此处建议）。
possible_categories = ['cat_' + cat for cat in categories]
df = df.reindex(df.columns.union(possible_categories, sort=False), axis=1, fill_value=0)
print(df)
cat_a cat_b cat_c
0 1 0 0
1 0 1 0
2 1 0 0
我最近希望解决同样的问题，但使用多列数据框和两个数据集（用于机器学习任务的训练集和测试集）。测试数据帧与训练数据帧具有相同的分类列，但其中一些列缺少训练数据帧中存在的类别。
我不想为每一列手动定义所有可能的类别。相反，我将训练和测试数据帧合并为一个，称为 get_dummies，然后将其拆分回两个。
# train_cat, test_cat are dataframes instantiated elsewhere
train_test_cat = pd.concat([train_cat, test_cat]
tran_test_cat = pd.get_dummies(train_test_cat, axis=0))
train_cat = train_test_cat.iloc[:train_cat.shape[0], :]
test_cat = train_test_cat.iloc[train_cat.shape[0]:, :]