python-2.7 - Pandas：如何对分类特征进行热编码

Question

我有一个数据框X，它有两个分类特征和 41 个数字特征。所以X总共有 43 个功能。

现在，我想将分类特征转换为数值级别，以便它们可以在RandomForest分类器中使用。

我已经完成了以下操作，其中0并1指出了分类特征的位置：

import pandas as pd

X = pd.read_csv("train.csv")

F1 = pd.get_dummies(X.iloc[:, 0])

F2 = pd.get_dummies(X.iloc[:, 1])

然后，我连接这两个数据帧：

Xnew = pd.concat([F1, F2, X.ix[:, 2:]])

现在，Xnew有 63 个特征（F1有 18 个和F24 个特征，其余 41 个来自X）

这个对吗？有没有更好的方法来做同样的事情？我是否需要删除第一列以避免共线性F1？F2

Answer 1

由于F1有 18 个级别（不是功能）而 F2 有 4 个，因此您的结果看起来是正确的。

为避免共线性，您最好删除其中一列（对于每个 F1 和 F2）。不一定是第一列。通常，您删除最常见级别的列。

为什么是最常见的级别？考虑特征的重要性。如果你删除一列，它就没有机会估计它的重要性。这个级别（你掉的那个）就像你的“基础级别”。只有与基本水平的偏差才能被标记为重要或不重要。