pandas: One-Hot-Encoding 独热编码_pandas onehotencoder-CSDN博客

本文链接：https://blog.csdn.net/ZJ_11701/article/details/109700689

本文介绍了在pandas中如何进行独热编码，以正确处理类别型变量。通过使用pd.get_dummies()函数，并设置drop_first=True来避免dummy trap问题，确保数据分析的准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

对于一些表示类别的变量（也就是 categorical variable），我们不应该分配数字，这样是没有意义的。相反，我们应当使用独热编码。（不知道还有哪些更合理的方式）

直接上例子：

>>> import statsmodels.api as sm
>>> import pandas as pd
>>> import numpy as np
>>> np.random.seed(444)
>>> data = {
...     'industry': ['mining', 'transportation', 'hospitality', 'finance', 'entertainment'],
...    'debt_ratio':np.random.randn(5),
...    'cash_flow':np.random.randn(5) + 90
... }
>>> data = pd.DataFrame.from_dict(data)
>>> data
         industry  debt_ratio  cash_flow
0          mining    1.351461  90.834770
1  transportation   -1.762797  91.709986
2     hospitality   -1.625949  89.645358
3         finance    0.252498  88.487650
4   entertainment   -0.779833  89.627691

>>> data = pd.concat((
...     data,
...     pd.get_dummies(data['industry'], drop_first=True)), axis=1)
>>> # You could also use data.drop('industry', axis=1)
>>> # in the call to pd.concat()
>>> data
         industry  debt_ratio  cash_flow  finance  hospitality  mining  transportation
0          mining    0.357440  88.856850        0            0       1               0
1  transportation    0.377538  89.457560        0            0       0               1
2     hospitality    1.382338  89.451292        0            1       0               0
3         finance    1.175549  90.208520        1            0       0               0
4   entertainment   -0.939276  90.212690        0            0       0               0

其实关键就是 pd.get_dummies()这个函数。注意，这里为什么要 drop_first=True呢？这是为了防止线性相关性的出现(dummy trap)。详情见：http://facweb.cs.depaul.edu/sjost/csc423/documents/dummy-variable-trap.htm

参考资料：
https://stackoverflow.com/questions/55738056/using-categorical-variables-in-statsmodels-ols-class