Pandas之 get_dummies 进行 one-hot 编码（虚拟变量或哑变量）

一、虚拟变量概念

    虚拟变量 ( Dummy Variables) 又称虚设变量、名义变量或哑变量，用以反映质的属性的一个人工变量，是量化了的自变量，通常取值为0或1。引入哑变量可使线形回归模型变得更复杂，但对问题描述更简明，一个方程能达到两个方程的作用，而且接近现实。

二、为什么使用虚拟变量

    在回归分析中，自变量X既可以是定量数据也可以定类数据。回归分析计算时是将所有自变量X视为数字，但当数据为定类数据时，此时数字代表类别，数字大小本身没有比较意义。因此，这类数据在做回归分析时，需要设置成虚拟变量才能纳入回归分析正确分析数据。

三、使用范围

    通常情况下，回归分析，逐步回归，分层回归，Logistic回归，PLS回归等这类影响关系研究的方法时，才可能涉及到虚拟变量设置。其它分析方法并不会涉及。

四、设置原则

    在模型中引入多个虚拟变量时，虚拟变量的个数应按下列原则确定：

    （1）如果回归模型有截距项：有m种互斥的属性类型，在模型中引入（m-1）个虚拟变量。
    （2）如果回归模型无截距项，有m个特征，设置m个虚拟变量

五、举例

1、方法

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

2、参数

data : array-like, Series, or DataFrame 输入的数据
prefix : get_dummies转换后，列名的前缀
*columns :指定需要实现类别转换的列名
dummy_na : bool, default False 增加一列表示空缺值，如果False就忽略空缺值
drop_first : bool, default False 获得k中的k-1个类别值，去除第一个

3、例子

    没有设置虚拟变量的结果：

    设置了虚拟变量的结果：

    对指定列设置虚拟变量：

    对指定列设置虚拟变量后并将其结果合并到原始数据中：