Python StatsModels OLS输出中的折叠分类特征级别

Question

我正在尝试创建多元线性回归模型以进行预测 使用statsmodels用Python对客人给酒店的评分（Reviewer_Score）。

Review_Total_Negative_Word_Counts 是他们对酒店的负面评论持续了多长时间

总评论数是酒店的评论数

Review_Total_Positive_Word_Counts 是他们对酒店的正面评价持续了多长时间

评论总数_Revewier_Has_Given 是该访客在网站上给出的评论数

态度是一个类别变量：良好或不良

原因是造访的原因（休闲或商务）

大陆是客人来自的大陆（多个级别）

单人是旅行者是单身旅行者（“是”还是“否”）

季节是客人在哪个季节住宿的酒店（“秋季”，“冬季”，“夏季”，“春季”）

如您所见，我具有一些数字和分类特征。

到目前为止，我的代码是：

import statsmodels.formula.api as smf

lm = smf.ols(formula = 'Reviewer_Score ~ Review_Total_Negative_Word_Counts + Total_Number_of_Reviews + Review_Total_Positive_Word_Counts + Total_Number_of_Reviews_Reviewer_Has_Given + Attitude + Reason + Continent + Solo + Season', data = Hotel).fit()

lm.params

lm.summary()

我的问题是，当我同时查看参数（斜率和截距估计值）以及P值时，它们看起来像：

每个分类特征的级别都包括在内，我只想有一个输出，向我们显示数字和分类特征的斜率和p值（而不是分类特征中每个级别的斜率和p值） ！）

基本上，我希望输出的斜率如下：

拦截

评论总数

Review_Total_Positive_Word_Counts

评论总数（Revewier_Has_Given）

态度

原因

大陆

独奏

季节

我该怎么做才能折叠级别并仅显示每个变量的显着性和斜率值？

Answer 1

现在，您对模型的每个原始输入都将转换为虚拟变量。*

我怀疑这与您的期望相矛盾的原因是，您在模型中将三种类型的变量称为分类变量：

1. 临时（“季节”）
2. 二进制（“态度”，“原因”，“独奏”）
3. 类别（“大陆”）

只有Continent才是真正的非二进制分类，因为没有任何其他信息就无法在层次结构中对各大陆进行排序。对于“ Season”，模型/程序没有指示只有四个季节，或者它们以时间顺序出现。对于二进制变量，类似地，它也不知道只有两个可能的值。

我建议将二进制变量转换为1，0或Nan（您可以先使用lambda函数，然后再使用pd.fillna()）。

对于“季节”，听起来您想要更类似于“一年中的时间，以季节/季度表示”。我会将季节映射到1,2,3或4。

对于“大陆”，您可以按每个洲的评论数量对各大洲进行排名，然后将各大洲转换为其各自的排名...但是您可能会在类似于“大陆”的混合体上回归+“来自起源大陆的人口”。 （当然，这样做可能很有用）。或者，您可以保留已经使用的伪变量编码。

或者，您可以为该大陆提供一个随机映射，但是另外还包括每个大陆相对人口的一些指标。

*要对此进行明确说明，可以使用pd.get_dummmies()