在pandas for python中创建虚拟变量

Question

我试图在python中使用pandas从一个分类变量创建一系列伪变量。我遇到了get\u dummies函数，但每当我尝试调用它时，都会收到一个错误，即名称未定义。

任何创建虚拟变量的想法或其他方法都将受到欢迎。

编辑：由于其他人似乎遇到了这种情况，熊猫中的get_dummies功能现在运行得非常好。这意味着以下各项应起作用：

import pandas as pd

dummies = pd.get_dummies(df['Category'])

看见http://blog.yhathq.com/posts/logistic-regression-and-python.html以获取更多信息。

Answer 1

根据官方留档：

dummies = pd.get_dummies(df['Category']).rename(columns=lambda x: 'Category_' + str(x))
df = pd.concat([df, dummies], axis=1)
df = df.drop(['Category'], inplace=True, axis=1)

在FastML博客中也有一篇不错的文章。

Answer 2

很难从这个问题中推断出你在寻找什么，但我最好的猜测如下。

如果我们假设您有一个DataFrame，其中一些列是“类别”，并包含类别的整数（或其他唯一标识符），那么我们可以执行以下操作。

调用数据帧dfrm，并假设对于每一行，dfrm['Category']是从1到N的整数集中的某个值。然后，

for elem in dfrm['Category'].unique():
    dfrm[str(elem)] = dfrm['Category'] == elem

现在，根据该行中的数据是否属于该类别，每个类别都将有一个新的指示器列，该列为真/假。

如果要控制类别名称，可以制作字典，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

使列具有指定的名称，而不仅仅是类别值的字符串转换。事实上，对于某些类型，str（）可能不会产生任何有用的结果。

Answer 3

当我想到虚拟变量时，我会想到在OLS回归的背景下使用它们，我会这样做：

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()