Ao fazer regressão linear e codificar variáveis categóricas, a colinearidade perfeita pode ser um problema. Para contornar isso, a abordagem sugerida é usar n-1 colunas. Seria útil se pd.get_dummies()
tivesse um parâmetro booleano que retornasse n-1 para cada coluna categórica codificada.
Exemplo:
>>> 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
Em vez disso, gostaria de ter algum parâmetro como drop_first=True
em get_dummies()
e ele faz algo assim:
>>> 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
Fontes
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
Parece bom, interessado em enviar uma solicitação de pull?
: +1:
Seria vantajoso permitir descartar um valor específico, não apenas o 'primeiro'.
A categoria omitida (grupo de referência) influencia a interpretação dos coeficientes.
Por exemplo, uma prática recomendada é omitir o valor 'maior' como a categoria de referência;
`` ``
hot = df [['vol_k', 'ativação']]
cat_vars = list (df.select_dtypes (include = ['categoria']). colunas)
para var em cat_vars:
new = pd.get_dummies (df [var])
hot = hot.join (novo)
#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())`
`` `
Comentários muito úteis
Seria vantajoso permitir descartar um valor específico, não apenas o 'primeiro'.
A categoria omitida (grupo de referência) influencia a interpretação dos coeficientes.
Por exemplo, uma prática recomendada é omitir o valor 'maior' como a categoria de referência;
`` ``
hot = df [['vol_k', 'ativação']]
cat_vars = list (df.select_dtypes (include = ['categoria']). colunas)
para var em cat_vars:
new = pd.get_dummies (df [var])
hot = hot.join (novo)
`` `