r - 我是按原样保留具有数字类别的特征还是创建虚拟变量？

Question

我正在使用一个数据集，该数据集包含数字特征和类别特征但用整数编码。例如，如果是赛马，

horse_id   race_date    track_no        race_number    barrier_number  won_race  
1          2016-10-01   100             1              4               1
2          2016-10-01   100             1              3               0
1          2016-10-15   200             3              5               0
...

因此，如果我要创建一个马匹赢得比赛的概率模型，并使用诸如 race_number 之类的功能(同一天同一条赛道上可以有几场比赛，这样应该对赛道条件产生影响)和barrier_number(马可能更喜欢在内部障碍物或外部障碍物等)，我应该保留这些功能不变还是创建指示 1 的虚拟变量(每行变量的存在)和 0(不存在)？

这是一个简单的示例，但这些列可能有大量可能的值，并且创建虚拟变量将大大增加特征的维度。这是必须做出的权衡，还是只留下一列即可？

编辑:另外，如果我将列保留原样并将其隐藏为 pandas 中的 caregory dtype，这是一个好的做法吗？像 Scikit-learn 这样的现有 ML 库能否正确处理这个问题？

Answer 1

对于所描述的功能(race_number、barrier_number)，我相信保持原样是完全可以的。但是，对于上面的示例，我将对 track_no 功能进行编码。

这是因为各个 track_no 值之间没有关系。

我会把上面的例子变成:

horse_id   race_date    track_100      track_200        race_number    barrier_number  won_race  
1          2016-10-01   1              0                1              4               1
2          2016-10-01   1              0                1              3               0
1          2016-10-15   0              1                3              5               0

希望对您有所帮助!