Python Pandas.get_dummies函数解析与实战教程

Python Pandas.get_dummies 函数解析与实战教程

摘要

pandas.get_dummies 是数据科学和机器学习领域中进行特征工程时不可或缺的工具。它主要用于将分类变量（categorical variables）转换为一种称为“独热编码”（One-Hot Encoding）的数值格式，以便机器学习算法能够处理。本文章将从函数的核心功能、参数详解、最新版本变更、实战技巧、性能优化，以及与 sklearn.preprocessing.OneHotEncoder 的深度对比等多个维度，为读者提供一份全面的使用教程和分析。

一、 get_dummies 核心功能与参数深度解析

pandas.get_dummies 的核心作用是将一个包含分类数据的 Pandas Series 或 DataFrame 中的列转换为哑变量（dummy variables）或指示变量（indicator variables）。简而言之，它会为原始列中的每一个唯一类别创建一个新列，新列中的值用 0 和 1（或布尔值 False 和 True）来表示某个样本是否属于该类别。

函数签名

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

参数详解

1. data:

   • 作用: 指定要进行独热编码的输入数据。
   • 数据类型: 可以是类数组（array-like）、Series 或 DataFrame 。这是函数处理的主要对象。

2. columns:

   • 作用: 指定在 DataFrame 中需要进行编码的列名列表。
   • 详解: 这是一个非常关键的参数。如果 data 是一个 DataFrame，通过 columns 参数可以精确控制对哪些列进行转换。如果不指定该参数，get_dummies 默认会尝试转换所有数据类型为 object 或 category 的列 。数值类型的列将被忽略 。

3. prefix 和 prefix_sep:

   • 作用: 自定义新生成列的名称。prefix 用于添加前缀，prefix_sep 是前缀与类别名之间的分隔符（默认为 _）。
   • 详解: 当对一个 Series 或 DataFrame 的多列进行编码时，为了避免新列重名以及提高可读性，强烈建议使用 prefix 参数。例如，对名为 color 的列进行编码，设置 prefix='color'，生成的列会是 color_Red、color_Green 等 。这对于区分不同原始特征生成的哑变量至关重要。

4. dummy_na:

   • 作用: 控制是否为缺失值（NaN）创建一个专门的指示列。
   • 详解: 默认值为 False，此时 NaN 值在所有新生成的哑变量列中都将表示为 0（或 False），即 NaN 信息会丢失。如果设置为 True，则会额外生成一列（例如 color_nan），专门用于标识原始数据中的缺失值 。在某些场景下，“缺失”本身可能是一种有用的信息，这时就应该将此参数设为 True。

5. drop_first:

   • 作用: 是否从 K 个类别的哑变量中删除第一个，只保留 K-1 个。
   • 详解: 此参数主要用于避免机器学习模型中的 多重共线性（multicollinearity） 问题。在一个独热编码的特征组中，所有哑变量列的和恒为1，这意味着它们是线性相关的。这对于某些模型（如线性回归、逻辑回归）是有问题的。设置 drop_first=True 可以移除一个基准类别，打破这种线性关系 。例如，一个有 Red, Green, Blue 三个类别的特征，编码后只保留 Green 和 Blue 两列，当这两列都为0时，就代表该样本的类别是 Red。

6. dtype:

   • 作用: 指定新生成的哑变量列的数据类型