哑变量处理类别型数据

哑变量又称虚拟变量、名义变量，从名称上看就知道，它是人为虚设的变量，用来反映某个变量的不同类别。使用哑变量处理类别转换，事实上就是将分类变量转换为哑变量矩阵或指标矩阵，矩阵的值通常用“0”或“1”表示。

假设变量“职业”的取值分别为司机、学生、导游、工人、教师共5种选项，如果使用哑变量表示，则可以分别表示为col_司机（1=司机/0=非司机）、col_学生（1=学生/0=非学生）、col_导游（1=导游/0=非导游）、col_工人（1=工人/0=非工人）、col_教师（1=教师/0=非教师），使用哑变量处理后的结果，如图1所示。

图1 经过哑变量

在Pandas中，可以使用get_dummies()函数对类别特征进行哑变量处理，其语法格式如下：

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

上述函数中常用参数表示的含义如下：

(1) data：可接收数组、DataFrame或Series对象，表示哑变量处理的数据。

(2) prefix：表示列名的前缀，默认为None。

(3) prefix_sep：用于附加前缀作为分隔符使用，默认为“_”。

(4) dummy_na：表示是否为NaN值添加一列，默认为False。

(5) columns：表示DataFrame要编码的列名，默认为None。

(6) sparse：表示虚拟列是否是稀疏的，默认为False。

(7) drop_first：是否通过从k个分类级别中删除第一个级来获得k-1个分类级别，默认为False。

接下来，通过一个示例来演示通过get_dummies()函数进行哑变量处理的效果，具体代码如下：

In [45]: import pandas as pd
         df1 = pd.DataFrame({'职业': ['工人', '学生', '司机', '教师', '导游']})
         pd.get_dummies(df1, prefix=['col_']) # 哑变量处理
Out[45]:
   col_司机  col_学生  col_导游  col_工人  col_教师
0     0      0      0      1     0
1     0      1      0      0     0
2     1      0      0      0     0
3     0      0      0      0     1
4     0      0      1      0     0

上述示例中，创建了一个DataFrame对象df1，接着调用了get_dummies()函数进行哑变量处理，将数据变成哑变量矩阵，每个特征数据（如学生）为单独一列，通过prefix参数给每个列名添加了前缀“col1”，并用“_”进行连接，使其变为col1_司机、col1_学生、col1_导游、col1_工人、col1_教师。

通过输出结果可以看出，一旦原始数据中的值在矩阵中出现，就会以数值1表现出来，其余则以0显示。