pandas 虚拟变量/哑变量

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

虚拟变量（Dummy Variables），又称虚设变量、名义变量或哑变量，用以反映质的属性的一个人工变量，是量化了的自变量，通常取值为0或1。经常用在 one-hot 特征提取。

语法结构

语法结构如下：

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

其中：

prefix：新列的前缀
prefix_sep：新列前缀的连接符
todo

逻辑说明

简单说，pd.get_dummies() 是将一个或者多个列的去重值做为新表的列，每个列的值由0和1组成，在原来此位为此列名的值为1，不是的为0，这样就形成了一个由 0 和1 组成的特征矩阵。

虚拟变量/哑变量在特征工程、数据建模、机器学习等领域有非常重要的作用。

df = pd.DataFrame({'key': list('bbacab'), 'data1': range(6)})
df
'''
  key  data1
0   b      0
1   b      1
2   a      2
3   c      3
4   a      4
5   b      5
'''

pd.get_dummies(df['key'])
'''
   a  b  c
0  0  1  0
1  0  1  0
2  1  0  0
3  0  0  1
4  1  0  0
5  0  1  0
'''

列前缀

用 prefix 给新表列名增加前缀：

pd.get_dummies(df['key'], prefix='key')
'''
   key_a  key_b  key_c
0      0      1      0
1      0      1      0
2      1      0      0
3      0      0      1
4      1      0      0
5      0      1      0
'''

DataFrame 使用

可以直接传入 DataFrame 使用：

df = pd.DataFrame({'A': ['a', 'b', 'a'],
                   'B': ['c', 'c', 'b'],
                   'C': [1, 2, 3]})
df
'''
   A  B  C
0  a  c  1
1  b  c  2
2  a  b  3
'''
# 最后一列不会被处理
pd.get_dummies(df)
'''
   C  A_a  A_b  B_b  B_c
0  1    1    0    0    1
1  2    0    1    0    1
2  3    1    0    1    0
'''

指定列：

pd.get_dummies(df, columns=['A'])
'''
   B  C  A_a  A_b
0  c  1    1    0
1  c  2    0    1
2  b  3    1    0
'''

反向操作

pandas.from_dummies 函数用于将独热编码（One-Hot Encoding）还原为原始的分类变量。独热编码是一种将分类变量转换为多个二进制列的编码方式，而 from_dummies 则可以将这些二进制列重新合并为原始的分类变量。

df = pd.DataFrame({"a": [1, 0, 0, 1], "b": [0, 1, 0, 0],
                   "c": [0, 0, 1, 0]})
df
'''
   a  b  c
0  1  0  0
1  0  1  0
2  0  0  1
3  1  0  0
'''

pd.from_dummies(df)
'''
0     a
1     b
2     c
3     a
'''

详见：pandas pd.from_dummies() 独热编码还原分类变量。