get_dummies用于机器学习的特征处理_dummies 机器学习-CSDN博客

本文链接：https://blog.csdn.net/sGDUTBMW/article/details/110929785

本文介绍了一种处理机器学习中分类特征的方法，特别是针对无序分类特征的one-hot编码技术，并展示了如何利用Python的pandas库进行数据编码及使用Logistic回归进行模型训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

分类特征有两种：

普通分类：性别、颜色
顺序分类：评分、级别

对于评分，可以把这个分类直接转换成1、2、3、4、5表示，因为它们之间有顺序、大小关系

但是对于颜色这种分类，直接用1/2/3/4/5/6/7表达，是不合适的，因为机器学习会误以为这些数字之间有大小关系

get_dummies就是用于颜色、性别这种特征的处理，也叫作one-hot-encoding处理

比如：

男性：1 0
女性：0 1
这就叫做one-hot-encoding，是机器学习对类别的特征处理

读取数据集

import pandas as pd

df_train = pd.read_csv("./datas/titanic/titanic_train.csv")
df_train.drop(columns=["Name", "Ticket", "Cabin"], inplace=True)
df_train.head()
df_train.info()

特征说明：

数值特征：Fare
分类-有序特征：Age
分类-普通特征：PassengerId、Pclass、Sex、SibSp、Parch、Embarked
Survived为要预测的Label

分类有序特征可以用数字的方法处理

# 使用年龄的平均值，填充空值
df_train["Age"] = df_train["Age"].fillna(df_train["Age"].mean())
df_train.info()

普通无序分类特征可以用get_dummies编码

# 其实就是one-hot编码
pd.get_dummies(df_train["Sex"]).head()

# 便捷方法，用df全部替换
needcode_cat_columns = ["Pclass","Sex","SibSp","Parch","Embarked"]
df_coded = pd.get_dummies(
    df_train,
    # 要转码的列
    columns=needcode_cat_columns,
    # 生成的列名的前缀
    prefix=needcode_cat_columns,
    # 把空值也做编码
    dummy_na=True,
    # 把1 of k移除（dummy variable trap）
    drop_first=True
)
df_coded.head()

注意，One-hot-Encoding一般要去掉一列，不然会出现dummy variable trap，因为一个人不是male就是femal，它俩有推导关系

机器学习模型训练

y = df_coded.pop("Survived")
y.head()
X = df_coded
X.head()

from sklearn.linear_model import LogisticRegression
# 创建模型对象
logreg = LogisticRegression(solver='liblinear')
# 实现模型训练
logreg.fit(X, y)

logreg.score(X, y)	# 0.8148148148148148