[英]How to remove one of the dummy variables in regression
假设有一个分类变量,具有不同值的教育为std_10,std_12,graduate,PG和Dr.数据集名称为df,因变量为Income,另一个独立连续变量为Age。 我可以使用Python为ols回归创建一个虚拟变量,使用C()。 但是,我无法删除其中一个虚拟变量(例如,想要删除毕业生和PG),这是无关紧要的,并保留虚拟变量的其余部分。
from statsmodels.formula.api import ols
fit = ols('Income ~ C(education) + Age', data=df).fit()
fit.summary()
我尝试使用以下代码但收到错误。
fit = ols('Income ~ C(education[~[[graduate,PG]]) + Age', data=df).fit()
我想从虚拟变量中排除研究生和PG,并在模型中保留其余变量。 请帮忙。
我将忽略你对以下评论:
我不想将其转换为数字数据。 稍后很难向客户解释。
假设你的主要优先事项是洞察力,而不是你如何获得洞察力,这就是我将如何做到这一点:
挑战:
您的主要问题似乎是您的分类数据是在列中收集的,而不是编码为虚拟变量。 因此,您面临的挑战在于将数据从一列分类变量重新编码为虚拟变量集合。 pd.get_dummies()
将在一行代码中为您完成。 之后,您可以非常轻松地添加和/或删除最终模型中您想要的任何变量。
一些数据:
由于您尚未提供任何样本数据,因此这里的代码片段将生成一个包含Income Age的随机数据的数据框,以及一些随机放置的教育级别:
小片1:
import pandas as pd
import numpy as np
import statsmodels.api as sm
# Sample data
np.random.seed(123)
rows = 50
dfx = pd.DataFrame(np.random.randint(90,110,size=(rows, 1)), columns=['Income'])
dfy = pd.DataFrame(np.random.randint(25,68,size=(rows, 1)), columns=['Age'])
df = pd.concat([dfx,dfy], axis = 1)
# Categorical column
dummyVars = ['std_10', 'std_12', 'Graduate', 'PG', 'Dr']
df['education'] = np.random.choice(dummyVars, len(df))
print(df.tail(5))
输出1:
Index Income Age education
45 103 60 std_12
46 108 60 PG
47 94 26 std_12
48 105 41 std_10
49 101 30 std_12
现在,您可以使用pd.get_dummies()
将教育列拆分为多个列,每个级别作为包含零的单个列,以及指示给定索引是否出现虚拟变量的列。
摘录2:
# Split dummy variables
df = pd.concat([df, pd.get_dummies(df['education'].astype('category'), prefix = 'd')], axis = 1)
print(df.tail(5))
输出2:
Index Income Age education d_Dr d_Graduate d_PG d_std_10 d_std_12
45 103 60 std_12 0 0 0 0 1
46 108 60 PG 0 0 1 0 0
47 94 26 std_12 0 0 0 0 1
48 105 41 std_10 0 0 0 1 0
49 101 30 std_12 0 0 0 0 1
现在,您可以轻松查看哪些虚拟变量具有重要性,并选择是否将它们保留在分析中:
代码段3:
# Explanatory variables, subset 1
regression1 = sm.OLS(df['Income'], df[['Age', 'd_Dr', 'd_Graduate', 'd_PG', 'd_std_10', 'd_std_12']]).fit()
regression1.summary()
输出3:
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Age -0.0123 0.075 -0.165 0.870 -0.163 0.138
d_Dr 98.8509 3.759 26.300 0.000 91.276 106.426
d_Graduate 98.5567 4.684 21.042 0.000 89.117 107.996
d_PG 97.0613 4.109 23.622 0.000 88.780 105.342
d_std_10 100.2472 3.554 28.209 0.000 93.085 107.409
d_std_12 98.3209 3.804 25.845 0.000 90.654 105.988
毫不奇怪,所有虚拟变量都是微不足道的,因为我们使用(小)随机样本,但您可以选择删除最不重要的变量并重新运行您的分析,如下所示:
小片4:
# Explanatory variables, subset 2
regression2 = sm.OLS(df['Income'], df[['Age', 'd_Dr', 'd_Graduate', 'd_PG']]).fit()
regression2.summary()
输出4:
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Age 1.9771 0.123 16.011 0.000 1.729 2.226
d_Dr 11.0105 9.601 1.147 0.257 -8.316 30.337
d_Graduate 8.5356 15.304 0.558 0.580 -22.270 39.341
d_PG 6.2942 11.543 0.545 0.588 -16.940 29.529
我希望这是你可以使用的东西。 如果没有,请随时告诉我。
这是一个简单的复制和粘贴的全部内容:
#%%
import pandas as pd
import numpy as np
import statsmodels.api as sm
# Sample data
np.random.seed(123)
rows = 50
dfx = pd.DataFrame(np.random.randint(90,110,size=(rows, 1)), columns=['Income'])
dfy = pd.DataFrame(np.random.randint(25,68,size=(rows, 1)), columns=['Age'])
df = pd.concat([dfx,dfy], axis = 1)
# Categorical column
dummyVars = ['std_10', 'std_12', 'Graduate', 'PG', 'Dr']
df['education'] = np.random.choice(dummyVars, len(df))
print(df.tail(5))
#%%
# Split dummy variables
df = pd.concat([df, pd.get_dummies(df['education'].astype('category'), prefix = 'd')], axis = 1)
print(df.tail(5))
# Explanatory variables, subset 1
regression1 = sm.OLS(df['Income'], df[['Age', 'd_Dr', 'd_Graduate', 'd_PG', 'd_std_10', 'd_std_12']]).fit()
regression1.summary()
# Explanatory variables, subset 2
regression2 = sm.OLS(df['Income'], df[['Age', 'd_Dr', 'd_Graduate', 'd_PG']]).fit()
regression2.summary()
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.