pandas.get_dummies()

参考博客1
参考博客2

one hot 编码

形式和定义

1. one hot 编码，其为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候只有一位有效。
2. 这些特征值并不是连续的，而是离散的，无序的。
   通常我们需要对其进行特征数字化。

特征数字化

1. 性别特征：[“男”,“女”]
   按照N位状态寄存器来对N个状态进行编码的原理，咱们处理后应该是这样的（这里只有两个特征，所以N=2）：
   男 → 10 女 → 01
2. 国家特征：[“中国”，"美国，“法国”]（N=3）：
   中国 → 100 美国 → 010 法国 → 001
   当一个样本为[“男”,“中国”]的时候，完整的特征数字化的结果为：
   [1，0，1，0，0]，其实就是对应，男（01），中国（100）合起来的编码

优点

1. 它是一种数据预处理方式
2. 要的目的是描述无序的数据，避免人为地引入序数，可以理解为大小关系，例如red,green,blue之间就不能比较大小。
3. 解决了分类器不好处理属性数据的问题，在一定程度上也起到了扩充特征的作用。

函数使用

函数解析

pandas.get_dummies(
data, # 传入的data为需要进行One-Hot 编码的数据
prefix=None, # 经过 get_dummies() 编码后新生成的列，列名为 “原列名_类别，可以设置prefix,它是用于附加DataFrame列名的字符串
prefix_sep='_', #分隔符，可以为'/'或者其他,比如：Animals/dog
dummy_na=False, 
columns=None, 
sparse=False,
drop_first=False, 
dtype=None)

函数实操

import pandas as pd
df = pd.DataFrame([
            ['green' , 'A'],
            ['red'   , 'B'],
            ['blue'  , 'A']])
df.columns = ['color',  'class'] 
'''
    color 	class
0  green     A
1    red     B
2   blue     A
'''
pd.get_dummies(df)
'''
   color_blue  color_green  color_red  class_A  class_B
0           0            1          0        1        0
1           0            0          1        0        1
2           1            0          0        1        0
'''
df = pd.get_dummies(df, prefix_sep='/')
'''
   color/blue  color/green  color/red  class/A  class/B
0           0            1          0        1        0
1           0            0          1        0        1
2           1            0          0        1        0
'''