实操笔记01-特征提取之pd.get_dummies()

get_dummies 是利用pandas实现one hot encode的方式。详细参数请查看官方文档
使用：

pandas.get_dummies(data, prefix=None, prefix_sep=’_’, dummy_na=False, columns=None, sparse=False, drop_first=False)[source]

参数说明：

• data : array-like, Series, or DataFrame 输入的数据

• prefix : string, list of strings, or dict of strings, default None。get_dummies转换后，列名的前缀

• columns : list-like, default None。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。

eg：

import pandas as pd
df = pd.DataFrame([  
            ['green' , 'A'],   
            ['red'   , 'B'],   
            ['blue'  , 'A']])  


df.columns = ['color',  'class']
pd.get_dummies(df)

get_dummies 前：

get_dummies 后：

有需要注意的是：

1、当Series里存在整数时，使用get_dummies按照one-hot进行编码，但是在DataFrame里面存在整数时不会

（这里C列没有进行编码）

(这里数字列进行了编码)

============================================
one hot encode：独热编码
当分类特征是离散的，无序的时(如性别有男、女，城市有北京，上海，深圳等)，采用独热编码对数据进行处理。具体见参考1

哑变量：也叫虚拟变量，引入哑变量的目的是，将不能够定量处理的变量量化。如季节对某些产品（如冷饮）销售的影响等等。 这种“量化”通常是通过引入“哑变量”来完成的。

eg：哑变量处理
一些分类变量，例如季节、天气、月份。要在我们的模型中包含这些数据，需要用 Pandas 库中的 get_dummies()进行处理。

dummy_fields = ['season', 'weathersit', 'mnth', 'hr', 'weekday']
for each in dummy_fields:
    dummies = pd.get_dummies(rides[each], prefix=each, drop_first=False)    #实现实现one hot encode
    rides = pd.concat([rides, dummies], axis=1)  #合并

fields_to_drop = ['instant', 'dteday', 'season', 'weathersit', 
                  'weekday', 'atemp', 'mnth', 'workingday', 'hr'] 
data = rides.drop(fields_to_drop, axis=1)  #删除原来的
data.head()

==========================================
参考：

1. https://www.jianshu.com/p/5f8782bf15b1(one hot解释)

2. https://cloud.tencent.com/developer/article/1406408