【python】pd.get_dummies进行one-hot编码

离散特征的编码分为两种情况：

1、离散特征的取值之间没有大小的意义，比如color：[red,blue],那么就使用one-hot编码

2、离散特征的取值有大小的意义，比如size:[X,XL,XXL],那么就使用数值的映射{X:1,XL:2,XXL:3}

常用于统计建模或机器学习的转换方式是：将分类变量（categorical variable）转换为“哑变量矩

阵”（dummy matrix）或“指标矩阵”（indicator matrix）。如果DataFrame的某一列中含有k个不同的

值，则可以派生出一个k列矩阵或DataFrame（其值全为1和0）。

使用pandas可以很方便的对离散型特征进行one-hot编码:

import pandas as pd  
df = pd.DataFrame([  
            ['green', 'M', 10.1, 'class1'],   
            ['red', 'L', 13.5, 'class2'],   
            ['blue', 'XL', 15.3, 'class1']],columns = ['color', 'size', 'prize', 'class label'])  

size_mapping = {  
           'XL': 3,  
           'L': 2,  
           'M': 1}  
#print(df)
#Series的map函数，将对应的values替代为size_mapping的数值。
df['size'] = df['size'].map(size_mapping)  
#print(set(df['class label']))
#set函数去重
#for idx,label in enumerate(set(df['class label'])):
#    print(idx,label)
class_mapping = {label:idx for idx,label in enumerate(set(df['class label']))} 
#print(class_mapping)
#在原df的条件下，更改color为不同的color_X，并去除原来的color 
df['class label'] = df['class label'].map(class_mapping)  

print(pd.get_dummies(df))
print(df)

'''
pd.get_dummies(df['size'],prefix = 'sss') 是对具体的某个列的不同数据 进行one-hot编码,
prefix指定生成的列表头名称'sss_1\sss_2\sss_3'有几类就有几个'sss'列

如果pd.get_dummies(df)进行编码的对象不是Series对象，对整个dataframe对象来说的话，
prefix不用指定，且会根据原columns的表头名称生成全部的非数字化的


'''
#如果用下面的方法，则会产生新的df，不是在原df的条件下，更改color，返回的仍然是df类型
df = pd.get_dummies(df['size'],prefix = 'sss')
'''
在量化实践中，一般会将收益标签添加到df整体中，然后从中取出来；
如果多分类标签，结合上述格式的pd.get_dummies正好将收益分类标签生成one-hot形式。
''' 
print(df)

dff = pd.DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'b'],'data1': range(6)})

print(pd.get_dummies(dff['key']))
'''
     a    b    c
0  0.0  1.0  0.0
1  0.0  1.0  0.0
2  1.0  0.0  0.0
3  0.0  0.0  1.0
4  1.0  0.0  0.0
5  0.0  1.0  0.0
'''

说明：对于有大小意义的离散特征，直接使用映射就可以了，{‘XL’:3,’L’:2,’M’:1}