![](/img/trans.png)
[英]Creating dummy variables for dataset with continuous and categorical variables in Python using Pandas
[英]Creating dummy variables in pandas for python
我正在尝试使用 python 中的 pandas 从分类变量创建一系列虚拟变量。我遇到了get_dummies
function,但每当我尝试调用它时,我都会收到未定义名称的错误。
任何创建虚拟变量的想法或其他方法将不胜感激。
编辑:由于其他人似乎遇到了这个问题, get_dummies
中的 get_dummies function 现在工作得很好。 这意味着以下应该起作用:
import pandas as pd
dummies = pd.get_dummies(df['Category'])
有关详细信息,请参阅http://blog.yhathq.com/posts/logistic-regression-and-python.html 。
当我想到虚拟变量时,我会想到在 OLS 回归的上下文中使用它们,我会做这样的事情:
import numpy as np
import pandas as pd
import statsmodels.api as sm
my_data = np.array([[5, 'a', 1],
[3, 'b', 3],
[1, 'b', 2],
[3, 'a', 1],
[4, 'b', 2],
[7, 'c', 1],
[7, 'c', 1]])
df = pd.DataFrame(data=my_data, columns=['y', 'dummy', 'x'])
just_dummies = pd.get_dummies(df['dummy'])
step_1 = pd.concat([df, just_dummies], axis=1)
step_1.drop(['dummy', 'c'], inplace=True, axis=1)
# to run the regression we want to get rid of the strings 'a', 'b', 'c' (obviously)
# and we want to get rid of one dummy variable to avoid the dummy variable trap
# arbitrarily chose "c", coefficients on "a" an "b" would show effect of "a" and "b"
# relative to "c"
step_1 = step_1.applymap(np.int)
result = sm.OLS(step_1['y'], sm.add_constant(step_1[['x', 'a', 'b']])).fit()
print result.summary()
很难从问题中推断出您在寻找什么,但我最好的猜测如下。
如果我们假设您有一个 DataFrame,其中某些列是“类别”并且包含类别的整数(或其他唯一标识符),那么我们可以执行以下操作。
调用 DataFrame dfrm
,并假设对于每一行, dfrm['Category']
是从 1 到 N 的整数集合中的某个值。然后,
for elem in dfrm['Category'].unique():
dfrm[str(elem)] = dfrm['Category'] == elem
现在,每个类别都有一个新的指标列,根据该行中的数据是否属于该类别,判断为真/假。
如果你想控制类别名称,你可以制作一个字典,例如
cat_names = {1:'Some_Treatment', 2:'Full_Treatment', 3:'Control'}
for elem in dfrm['Category'].unique():
dfrm[cat_names[elem]] = dfrm['Category'] == elem
导致具有指定名称的列,而不仅仅是类别值的字符串转换。 事实上,对于某些类型, str()
可能不会产生任何对您有用的东西。
以下代码返回数据框,其中“类别”列被分类列替换:
df_with_dummies = pd.get_dummies(df, prefix='Category_', columns=['Category'])
http://pandas.pydata.org/pandas-docs/stable/generated/pandas.get_dummies.html
对于我而言, dmatrices
在patsy
解决我的问题。 实际上,此函数旨在从具有 R 样式公式字符串的给定 DataFrame 生成因变量和自变量。 但它可以用于从分类特征生成虚拟特征。 您需要做的就是删除由dmatrices
自动生成的“拦截”列,而不管您的原始数据帧如何。
import pandas as pd
from patsy import dmatrices
df_original = pd.DataFrame({
'A': ['red', 'green', 'red', 'green'],
'B': ['car', 'car', 'truck', 'truck'],
'C': [10,11,12,13],
'D': ['alice', 'bob', 'charlie', 'alice']},
index=[0, 1, 2, 3])
_, df_dummyfied = dmatrices('A ~ A + B + C + D', data=df_original, return_type='dataframe')
df_dummyfied = df_dummyfied.drop('Intercept', axis=1)
df_dummyfied.columns
Index([u'A[T.red]', u'B[T.truck]', u'D[T.bob]', u'D[T.charlie]', u'C'], dtype='object')
df_dummyfied
A[T.red] B[T.truck] D[T.bob] D[T.charlie] C
0 1.0 0.0 0.0 0.0 10.0
1 0.0 0.0 1.0 0.0 11.0
2 1.0 1.0 0.0 1.0 12.0
3 0.0 1.0 0.0 0.0 13.0
您可以创建虚拟变量来处理分类数据
# Creating dummy variables for categorical datatypes
trainDfDummies = pd.get_dummies(trainDf, columns=['Col1', 'Col2', 'Col3', 'Col4'])
这将删除trainDf 中的原始列,并在trainDfDummies数据帧的末尾附加带有虚拟变量的列。
它通过在原始列名的末尾附加值来自动创建列名。
using NumPy and Pandas.如果使用 NumPy 和 Pandas 的则不使用 get_dummies 的一种非常简单的方法。
让,我有一个名为 <"State"> 的列,它有 3 个分类变量 <'New York'>、<'California'> 和 <'Florida'>,我们想分别为其分配 0 和 1。
我们可以使用以下简单的代码来完成。
import numpy as np
import pandas as pd
dataset['NewYork_State'] = np.where(dataset['State']=='New York', 1, 0)
dataset['California_State'] = np.where(dataset['State']=='California', 1, 0)
dataset['Florida_State'] = np.where(dataset['State']=='Florida', 1, 0)
上面我们创建了三个新列来存储值“NewYork_State”、“California_State”、“Florida_State”。
Drop the original column
dataset.drop(columns=['State'],axis=1,inplace=True)
所以我今天(7/25/2013)实际上需要回答这个问题,所以我早些时候写了这个。 我已经用一些玩具示例对其进行了测试,希望您能从中受益
def categorize_dict(x, y=0):
# x Requires string or numerical input
# y is a boolean that specifices whether to return category names along with the dict.
# default is no
cats = list(set(x))
n = len(cats)
m = len(x)
outs = {}
for i in cats:
outs[i] = [0]*m
for i in range(len(x)):
outs[x[i]][i] = 1
if y:
return outs,cats
return outs
我使用此代码为每个状态创建了一个虚拟变量。
def create_dummy_column(series, f):
return series.apply(f)
for el in df.area_title.unique():
col_name = el.split()[0] + "_dummy"
f = lambda x: int(x==el)
df[col_name] = create_dummy_column(df.area_title, f)
df.head()
更一般地说,我只会使用 .apply 并通过定义您的类别的不等式将匿名函数传递给它。
(感谢@prpl.mnky.dshwshr 的 .unique() 见解)
处理分类特征 scikit-learn 期望所有特征都是数字。 那么我们如何在我们的模型中包含一个分类特征呢?
有序类别:将它们转换为合理的数值(例如:小 = 1、中 = 2、大 = 3) 无序类别:使用虚拟编码 (0/1) 我们数据集中的分类特征是什么?
有序类别:天气(已经用合理的数值编码)无序类别:季节(需要虚拟编码)、假期(已经虚拟编码)、工作日(已经虚拟编码)对于季节,我们不能简单地将编码保留为 1 = spring , 2 = 夏季,3 = 秋季,4 = 冬季,因为这意味着一个有序的关系。 相反,我们创建了多个虚拟变量:
# An utility function to create dummy variable
`def create_dummies( df, colname ):
col_dummies = pd.get_dummies(df[colname], prefix=colname)
col_dummies.drop(col_dummies.columns[0], axis=1, inplace=True)
df = pd.concat([df, col_dummies], axis=1)
df.drop( colname, axis = 1, inplace = True )
return df`
一种基于具有类别值的列创建虚拟对象的简单而可靠的方法:
for category in list(df['category_column'].unique()):
df[category] = lis(map(lambda x: 1 if x==category else 0, df['category_column']))
但是在进行一些 OLS 回归时要小心,因为您需要排除其中一个类别,以免陷入虚拟陷阱变量
如果你想用虚拟特征替换变量列表:
# create an empty list to store the dataframes
dataframes = []
# iterate over the list of categorical features
for feature in categoricalFeatures:
# create a dataframe with dummy variables for the current feature
df_feature = pd.get_dummies(df_raw[feature])
# add the dataframe to the list
dataframes.append(df_feature)`
# concatenate the dataframes to create a single dataframe
df_dummies = pd.concat(dataframes, axis=1)
df_final = pd.concat([df_raw, df_dummies], axis=1).drop(columns =
categoricalFeatures, axis = 1)
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.