熊貓：如何一個熱門編碼分類功能

Question

我有一個數據幀X它有兩個分類功能和41個數字功能。所以X共有43個功能。

現在，我想將分類特徵轉換爲數字水平，以便它們可以在RandomForest分類器中使用。

我做了以下內容，其中0和1註明的類別特徵位置：

import pandas as pd 

X = pd.read_csv("train.csv") 

F1 = pd.get_dummies(X.iloc[:, 0]) 

F2 = pd.get_dummies(X.iloc[:, 1]) 

然後，我串連這兩個數據幀：

Xnew = pd.concat([F1, F2, X.ix[:, 2:]]) 

現在，Xnew有63個特徵（ F1有18和F2有4個功能，其餘41從X）

這是正確的嗎？有沒有更好的方法來做同樣的事情？我是否需要刪除F1和F2中的第一列以避免共線？

Answer 1

由於F1有18 級別（不是功能）和F2有4，你的結果看起來是正確的。

爲避免共線性，您最好放下其中一列（對於每個F1和F2）。不一定是第一列。通常，您會刪除最常見級別的列。

爲什麼最常見的人是誰？考慮功能的重要性。如果您刪除一列，則無法評估其重要性。這個級別（你放棄的級別）就像你的「基礎級別」。只有與基準水平的偏差可以被標記爲重要或不重要。