python - 有效地指定具有相同前缀的多个列名称

Question

我正在对公司层面的观察进行回归。我想控制公司类型 [它生产什么]。我在一个对象变量中有这些信息，我将其转换为分类变量，然后从中取出假人。

df['Product Type'] = df['Product Type'].astype('category')
df =  pd.get_dummies(df, columns=['Product Type']).head()  

我的样本很大，最终得到了很多虚拟变量。将它们一个一个地引入到我的模型中是相当多的工作(可能有 10-15 个)。

reg = sm.OLS(endog=df['Y'], exog= df[['X1', 'Number of workers', 'X2', "Product Type_Jewellery", "Product_Type_Apparel", (all the other product dummies) ]], missing='drop')

有没有更有效的方法来做到这一点？在 stata 中，我使用了前缀 i.Product_Type，它会向软件发出信号，表明 String 变量必须被视为一个分类变量……有什么类似的吗？

Answer 1

使用 str.contains 查找包含“Product_*”的列，访问它们变得很容易。

c = df.columns[df.columns.str.contains('Product')]

如果不需要正则表达式，你可以将c初始化为

c = df.columns[df.columns.str.contains('Product', regex=False)]

或者，使用 str.startswith:

c = df.columns[df.columns.str.startswith('Product')]

或者，列表理解:

c = [c_ for c_ in df if c_.startswith('Product')]

---

最后，通过解包c访问子集:

subset = df[['X1', 'Number of workers', 'X2', *c]]
reg = sm.OLS(endog=df['Y'], exog=subset, missing='drop')