数据清洗-pandas中one-hot编码函数pd.get_dummies()

1 函数解释

离散特征的编码分为两种情况：

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

使用pandas.get_dummies()函数可以很方便的对离散型特征进行one-hot编码

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

详细解释见官方文档

重要参数解释

• data：array，Series或者DataFrame
• prefix：类型-字符串，字符串列表或字符串字典，默认值为None。可用来增加一个与列数相等长度的列表作为DataFrame的列名。
• dummy_na:布尔值，默认为False。若为True，增加一个列表示空值；若为False，忽略空值
• column：类似于列表，默认值是None。 若columns是空，所有object或者category类型的列都会进行one-hot编码。
• return：DataFrame

2 实例

import pandas as pd
df=pd.DataFrame([['XL','Green','A'],['L','Red','B'],['M','Blue','C'],['L','Yellow','D']])
df.columns=['Size','Color','Type']
df

	Size	Color	Type
0	XL	Green	A
1	L	Red	B
2	M	Blue	C
3	L	Yellow	D

#将取值具有大小意义的Size列，使用map函数进行数值映射{M:1,L:2,XL:3}
df['Size']=df['Size'].map({'XL':3,'L':2,'M':1}).astype(int)
df

	Size	Color	Type
0	3	Green	A
1	2	Red	B
2	1	Blue	C
3	2	Yellow	D

#将取值之间没有大小意义的Color列进行one-hot编码
df=pd.get_dummies(df,columns=['Color'])
df

	Size	Type	Color_Blue	Color_Green	Color_Red	Color_Yellow
0	3	A	0	1	0	0
1	2	B	0	0	1	0
2	1	C	1	0	0	0
3	2	D	0	0	0	1

#不指定列，对Color列与Type列同时进行one-hot编码
df=pd.get_dummies(df)
df

	Size	Color_Blue	Color_Green	Color_Red	Color_Yellow	Type_A	Type_B	Type_C	Type_D
0	3	0	1	0	0	1	0	0	0
1	2	0	0	1	0	0	1	0	0
2	1	1	0	0	0	0	0	1	0
3	2	0	0	0	1	0	0	0	1