Pandas get_dummies() 函数：独热编码详解

pd.get_dummies() 是一个用于进行独热编码（One-Hot Encoding）的 pandas 函数。独热编码是将具有离散值的特征转换为二进制向量的过程，以便在机器学习模型中更好地处理分类变量。

下面是 pd.get_dummies() 函数的基本使用方法：

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

• data：要进行独热编码的数据集（DataFrame）。
• columns：要进行独热编码的列名或列名列表。如果未指定，则默认对所有列进行独热编码。
• prefix：生成的独热编码列的前缀。如果未指定，则使用原始列名作为前缀。
• prefix_sep：用于在前缀和原始列名之间分隔的字符串。默认为下划线'_'.
• dummy_na：是否为缺失值（NaN）创建一个独热编码列。默认为False。
• drop_first：是否删除生成的独热编码列中的第一个。默认为False。

使用 pd.get_dummies() 函数后，它会根据指定的列生成对应的独热编码列，并将它们添加到原始数据集中。每个不同的分类值都将生成一个新的列，其中包含1或0来表示是否属于该分类。

以下是一个示例：

import pandas as pd

# 创建一个带有分类变量的示例数据集
data = pd.DataFrame({'color': ['red', 'blue', 'green', 'red', 'green']})

# 对color列进行独热编码
encoded_data = pd.get_dummies(data, columns=['color'])

print(encoded_data)

输出结果：

   color_blue  color_green  color_red
0           0            0          1
1           1            0          0
2           0            1          0
3           0            0          1
4           0            1          0

在上面的示例中，color 列被转换为了三个独热编码列，每个列代表一个不同的颜色。该列中的每个元素被转换为对应的二进制向量。

注意，pd.get_dummies() 函数仅适用于处理分类变量，而不适用于连续变量。如果对连续变量进行独热编码可能会导致结果不准确。