特征提取之pd.get_dummies()

one-hot encoding

转自“https://www.jianshu.com/p/5f8782bf15b1”

        one-hot的基本思想：将离散型特征的每一种取值都看成一种状态，若你的这一特征中有N个不相同的取值，那么我们就可以将该特征抽象成N种不同的状态，one-hot编码保证了每一个取值只会使得一种状态处于“激活态”，也就是说这N种状态中只有一个状态位值为1，其他状态位都是0。举个例子，假设我们以学历为例，我们想要研究的类别为小学、中学、大学、硕士、博士五种类别，我们使用one-hot对其编码就会得到：

dummy encoding

　　哑变量编码直观的解释就是任意的将一个状态位去除。还是拿上面的例子来说，我们用4个状态位就足够反应上述5个类别的信息，也就是我们仅仅使用前四个状态位 [0,0,0,0] 就可以表达博士了。只是因为对于一个我们研究的样本，他已不是小学生、也不是中学生、也不是大学生、又不是研究生，那么我们就可以默认他是博士，是不是。所以，我们用哑变量编码可以将上述5类表示成：

以上转载自：离散型特征编码方式：one-hot与哑变量* - ML小菜鸟 - 博客园

pandas提供对one-hot编码的函数是：pd.get_dummies()，官网API

对官网提供的example进行测试，发现有以下几点需要注意的地方：

1、Series里的整数会按照one-hot进行编码，但是在DataFrame里面不会

2、特征的维度数量会有所增加

像"A":['a','b','c']转换成下面的col1_a,col1_b,是因为对['a','b','a']这个列表进行一个去重·，得到了最后的a,b两个元素，再和prefix给出的变量进行合并，出的col1_a,和col1_b,以下同理