帶字符串/分類特徵（變量）的線性迴歸分析？

Question

迴歸算法似乎在處理以數字表示的特徵。 例如：

此數據集不包含類別特徵/變量。如何對這些數據進行迴歸並預測價格非常明確。

---

但現在我想做的數據迴歸分析中包含類別特徵：

有特點：District，Condition，Material，Security，Type

---

如何對這些數據進行迴歸？我是否必須手動將所有這些字符串/分類數據轉換爲數字？我的意思是如果我必須創建一些編碼規則，並根據該規則將所有數據轉換爲數字值。有沒有簡單的方法將字符串數據轉換爲數字，而無需手動創建自己的編碼規則？可能是Python有一些庫可以用於那個嗎？由於「錯誤的編碼」，迴歸模型會有些不正確嗎？

Answer 1

是的，你將不得不一切轉換爲數字。這需要考慮這些屬性代表什麼。

通常有三種可能性：

分類數據

爲序數據

任意數字

使用類似組用於分類數據

1. 一位熱碼編碼（例如，平均值爲全市各區的價格） 。

你必須小心，不要注入應用案例中沒有的信息。

一個炎熱的編碼

如果你有明確的數據，您可以創建爲每個可能值0/1值虛擬變量。

E.g。

idx color 
0 blue 
1 green 
2 green 
3 red 

到

idx blue green red 
0 1 0  0 
1 0 1  0 
2 0 1  0 
3 0 0  1 

這可以很容易地與大熊貓進行：

import pandas as pd 

data = pd.DataFrame({'color': ['blue', 'green', 'green', 'red']}) 
print(pd.get_dummies(data)) 

將導致：

color_blue color_green color_red 
0   1   0   0 
1   0   1   0 
2   0   1   0 
3   0   0   1 

編號爲序數據

創建可排序類別的映射， G。 老<裝修<新→0，1，2

這也可能與熊貓：

data = pd.DataFrame({'q': ['old', 'new', 'new', 'ren']}) 
data['q'] = data['q'].astype('category') 
data['q'] = data['q'].cat.reorder_categories(['old', 'ren', 'new'], ordered=True) 
data['q'] = data['q'].cat.codes 
print(data['q']) 

結果：

0 0 
1 2 
2 2 
3 1 
Name: q, dtype: int8 

用分類數據GROUPBY操作

你可以使用過去的每個類別的平均值（已知事件）。

說你有最後已知的平均價格爲數據幀城市：

prices = pd.DataFrame({ 
    'city': ['A', 'A', 'A', 'B', 'B', 'C'], 
    'price': [1, 1, 1, 2, 2, 3], 
}) 
mean_price = prices.groupby('city').mean() 
data = pd.DataFrame({'city': ['A', 'B', 'C', 'A', 'B', 'A']}) 

print(data.merge(mean_price, on='city', how='left')) 

結果：

city price 
0 A  1 
1 B  2 
2 C  3 
3 A  1 
4 B  2 
5 A  1 

Answer 2

在這種情況下，您可以使用「虛擬編碼」。 有虛擬編碼的Python庫，你有幾個選項。

您可以使用scikit-learn庫。看看here。或者，如果您使用熊貓，它具有創建虛擬變量的內置函數。檢查this。

與大熊貓下面是一個例子：

import pandas as pd 

sample_data = [[1,2,'a'],[3,4,'b'],[5,6,'c'],[7,8,'b']] 
df = pd.DataFrame(sample_data, columns=['numeric1','numeric2','categorical']) 
dummies = pd.get_dummies(df.categorical) 
df.join(dummies)