在进行线性回归和编码分类变量时,完美共线性可能是一个问题。 为了解决这个问题,建议的方法是使用 n-1 列。 如果pd.get_dummies()
有一个布尔参数,该参数为每个被编码的分类列返回 n-1,那将会很有用。
例子:
>>> df
Account Network Device
0 Account1 Search Smartphone
1 Account1 Display Tablet
2 Account2 Search Smartphone
3 Account3 Display Smartphone
4 Account2 Search Tablet
5 Account3 Search Smartphone
>>> pd.get_dummies(df)
Account_Account1 Account_Account2 Account_Account3 Network_Display \
0 1 0 0 0
1 1 0 0 1
2 0 1 0 0
3 0 0 1 1
4 0 1 0 0
5 0 0 1 0
Network_Search Device_Smartphone Device_Tablet
0 1 1 0
1 0 0 1
2 1 1 0
3 0 1 0
4 1 0 1
5 1 1 0
相反,我希望在get_dummies()
有一些参数,例如drop_first=True
get_dummies()
,它会执行以下操作:
>>> new_df = pd.DataFrame(index=df.index)
>>> for i in df:
new_df = new_df.join(pd.get_dummies(df[i]).iloc[:, 1:])
>>> new_df
Account2 Account3 Search Tablet
0 0 0 1 0
1 0 0 0 1
2 1 0 1 0
3 0 1 0 0
4 1 0 1 1
5 0 1 1 0
来源
http://fastml.com/converting-categorical-data-into-numbers-with-pandas-and-scikit-learn/
http://stackoverflow.com/questions/31498390/how-to-get-pandas-get-dummies-to-emit-n-1-variables-to-avoid-co-lineraity
http://dss.princeton.edu/online_help/analysis/dummy_variables.htm
听起来不错,有兴趣提交拉取请求吗?
:+1:
允许删除特定值而不仅仅是“第一个”将是有利的。
省略的类别(参考组)影响系数的解释。
例如,一种最佳做法是省略“最大”值作为参考类别;
````
热 = df[['vol_k', '激活']]
cat_vars = list(df.select_dtypes(include=['category']).columns)
对于 cat_vars 中的 var:
新 = pd.get_dummies(df[var])
hot = hot.join(新)
#drop most frequent variable for ref category
drop_col = df.groupby([var]).size().idxmax()
hot.drop(drop_col, axis=1, inplace=True)
print(var + " dropping " + drop_col)
print(df.groupby([var]).size())`
``
最有用的评论
允许删除特定值而不仅仅是“第一个”将是有利的。
省略的类别(参考组)影响系数的解释。
例如,一种最佳做法是省略“最大”值作为参考类别;
````
热 = df[['vol_k', '激活']]
cat_vars = list(df.select_dtypes(include=['category']).columns)
对于 cat_vars 中的 var:
新 = pd.get_dummies(df[var])
hot = hot.join(新)
``