熊猫：如何一个热门编码分类功能

Question

我有一个数据帧X它有两个分类功能和41个数字功能。所以X共有43个功能。

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

我做了以下内容，其中0和1注明的类别特征位置：

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，我串连这两个数据帧：

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

现在，Xnew有63个特征（ F1有18和F2有4个功能，其余41从X）

这是正确的吗？有没有更好的方法来做同样的事情？我是否需要删除F1和F2中的第一列以避免共线？

Answer 1

由于F1有18 级别（不是功能）和F2有4，你的结果看起来是正确的。

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

为什么最常见的人是谁？考虑功能的重要性。如果您删除一列，则无法评估其重要性。这个级别（你放弃的级别）就像你的“基础级别”。只有与基准水平的偏差可以被标记为重要或不重要。