pandas 笔记：get_dummies分类变量one-hot化

1 函数介绍

• pandas.get_dummies 是 pandas 库中的一个函数，它用于将分类变量转换为哑变量/指示变量。
• 所谓的哑变量，就是将分类变量的每一个不同的值转换为一个新的0/1变量。
• 在输出的DataFrame中，每一列都以该值的名称命名

pandas.get_dummies(
    data, 
    prefix=None,     
    prefix_sep='_', 
    dummy_na=False, 
    columns=None, 
    sparse=False, 
    drop_first=False, 
    dtype=None)

2 参数介绍

data	你想要转换为哑变量的数据
prefix	用于在DataFrame列名前添加的字符串。 当对DataFrame调用 get_dummies 时，传递一个长度等于列数的列表
dummy_na	布尔值，默认为 False。是否添加一列来指示 NaN 值，如果为 False 则忽略 NaN 值
columns	类列表，默认为 None。 在 DataFrame 中要编码的列名。 如果 columns 为 None，则所有具有 object、string 或 category 数据类型的列都将被转换
sparse	布尔值，默认为 False。 哑变量编码的列是否应该由 SparseArray（True）支持，还是由常规的 NumPy 数组（False）支持
drop_first	布尔值，默认为 False。是否通过移除第一个级别，从 k 个分类级别中获取 k-1 个哑变量

3 举例

3.1 最基本的get_dummies

import pandas as pd
import numpy as np

s=pd.Series(list('abca'))

s
'''
0    a
1    b
2    c
3    a
dtype: object
'''

pd.get_dummies(s)
'''

    a	b	c
0	1	0	0
1	0	1	0
2	0	0	1
3	1	0	0
'''

3.2 drop_first

此时第一个类就是 全0 向量对应的情况

pd.get_dummies(s,drop_first=True)
'''
	b	c
0	0	0
1	1	0
2	0	1
3	0	0
'''

3.3 dummy_na

是否为NaN单列一列

s1 = pd.Series(['a', 'b', np.nan])
s1
'''
0      a
1      b
2    NaN
dtype: object
'''


pd.get_dummies(s1)
'''
    a	b
0	1	0
1	0	1
2	0	0
'''


pd.get_dummies(s1,dummy_na=True)
'''
    a	b	NaN
0	1	0	0
1	0	1	0
2	0	0	1
'''

3.4 DataFrame 多列dummies

df = pd.DataFrame({'A': ['a', 'b', 'a'], 
                   'B': ['b', 'a', 'c'],
                   'C': [1, 2, 3]})
df
'''
    A	B	C
0	a	b	1
1	b	a	2
2	a	c	3
'''

pd.get_dummies(df)
'''
    C	A_a	A_b	B_a	B_b	B_c
0	1	1	0	0	1	0
1	2	0	1	1	0	0
2	3	1	0	0	0	1
'''

3.5 prefix

df = pd.DataFrame({'A': ['a', 'b', 'a'], 
                   'B': ['b', 'a', 'c'],
                   'C': [1, 2, 3]})
df
'''
    A	B	C
0	a	b	1
1	b	a	2
2	a	c	3
'''

pd.get_dummies(df,prefix=['col1','col2'])
'''

    C	col1_a	col1_b	col2_a	col2_b	col2_c
0	1	1	    0	    0	    1	    0
1	2	0	    1	    1	    0	    0
2	3	1	    0	    0	    0	    1
'''