python 虚拟变量（Dummy）/热编码（one-hot encoding）_python dummy

        对于分类，pandas 编码有一种非常简单的方法，就是 get_dummies 函数。get_dummies 函数会自动变换所有具有对象类型（比如字符串）的列或所有分类的列，而分类特征的每个可能取值都会被扩展为一个新特征，并且每一个新特征只有 0、1 两种取值。这个过程就是虚拟变量的生成过程。

 
# 把多分类字段转换为二分类虚拟变量 
category_features = ['城市'] #要转换的特征列表
df_sales = pd.get_dummies(df_sales, drop_first=True, columns=category_features) #创建哑变量
df_sales #显示数据

输出如下：

drop_first 参数

        这个参数实际上控制着 get_dummies 函数返回的结果，值为 True 返回结果是虚拟变量（Dummy Variable），值为 False 则返回独热编码（ One Hot Encoding）。

独热编码与虚拟变量的不同之处

        在虚拟编码方案中，当特征具有 m 个不同类别标签时，我们将得到  m-1  个二进制特征，作为基准的特征被完全忽略；而在独热编码方案中，我们将得到  m  个二进制特征。因此，你仔细观察上面 get_dummies 的结果，就会发现“城市 _ 上海”这个特征没有被生成。而如果你把 drop_first 设为 False，“城市 _ 上海”就会出现。

什么时候使用虚拟变量，or独热编码呢？

        如果线性模型有截距项，就使用虚拟变量；如果线性模型无截距项，那么使用独热编码。此外，在线性模型有截距项的情况下，如果使用正则化，那么也推荐使用独热编码，因为正则化能处理多余的自由度，可以约束参数；如果不使用正则化，那么就使用虚拟变量，这样多余的自由度都被统摄到截距项 intercept 里去了。