Question

我有一个名为dataframe的名称为train的“质量”列。

>>>train['quality'].unique()
array([5, 6, 7, 4, 8, 3], dtype=int64)

现在get_dummies与train[['quality']]给出

>>>pd.get_dummies(train[['quality']]).head()

    quality
0   5
1   5
2   5
3   6
4   5

但带有train['quality']

>>>pd.get_dummies(train['quality']).head()

    3   4   5   6   7   8
0   0   0   1   0   0   0
1   0   0   1   0   0   0
2   0   0   1   0   0   0
3   0   0   0   1   0   0
4   0   0   1   0   0   0

train[['quality']]和train['quality']的数据类型是：-

>>>print(type(train['quality']))
<class 'pandas.core.series.Series'>
>>>print(type(train[['quality']]))
<class 'pandas.core.frame.DataFrame'>

get_dummies()文档状态：data : array-like, Series, or DataFrame

因此，如果我可以同时提供序列或DataFrame，那么输出为何不同？

Answer 1

pd.get_dummies documentation非常清楚：

columns：类似列表，默认为None
DataFrame中的列名称为编码。如果columns为None，则所有带有object或的列类别dtype将被转换。

因此，解决方案是指定一个columns参数，从而超越了将列设为分类/对象类型的要求，

pd.get_dummies(df, columns=['quality'])

   quality_5  quality_6
0          1          0
1          1          0
2          1          0
3          0          1
4          1          0

或者，将该列转换为分类列。

pd.get_dummies(df[['quality']].astype('category'))

   quality_5  quality_6
0          1          0
1          1          0
2          1          0
3          0          1
4          1          0

Answer 2

需要将数据转换为分类类型，get_dummies才能正常工作。如果传递了一系列，则转换将自动发生。如文档中所述，按Coldspeed概述，如果传入DataFrame，则所有对象或类别dtypes（这些数据类型的系列）都将转换为categorical并将导致出现虚拟列。例如：

pandas.get_dummies(pandas.DataFrame(list("abcdabcd"))) 

   0_a  0_b  0_c  0_d
0    1    0    0    0
1    0    1    0    0
2    0    0    1    0
3    0    0    0    1
4    1    0    0    0
5    0    1    0    0
6    0    0    1    0
7    0    0    0    1

之所以起作用，是因为字符串列表变成了作为对象的字符串列。

也许有点不直观，您的整数类型列不是“对象”类型，因此不会转换为类别，因此不会返回虚拟列并返回原始DataFrame。熊猫中的数字类型与对象不同。您可以通过简单地传递df [[“ quality”]]。astype（“ category”）来解决此问题，因为这将强制将整数列转换为分类类别，然后返回虚拟列。

编辑：要扩展一点，必须记住虚拟变量是回归（或回归扩展）的一种构造。如果数据框同时包含数字类型和对象类型的dtypes，则通常将这些数字类型直接用作模型的输入。但是，除非转换为伪变量，否则对象类型在回归中没有任何价值。因此，如果有人将具有三种数字类型和一种对象类型的DataFrame传递给get_dummies，则将一种对象类型转换为虚拟变量。 这是默认的行为，如果未指定columns参数。在默认行为不符合您的需求的情况下，例如存在columns参数。您不希望转换所有对象/类别dtype列，或者希望转换一列数字dtype。

pandas.DataFrame和pandas.Series对象对pandas.get_dummies（）的作用不同

2 个答案: