python - 如何将不同维度的多个分类输入变量用于随机森林回归模型？

Question

我有描述某个项目正在经历发布过程的数据。该项目具有不同的变量，例如“产品类别”、“设计国家”、“产品系列”等。我总共有 18 种不同类型的二进制或分类数据。这些不同的变量具有不同的维度。例如，有 3 个不同的设计国家和 8 个不同的产品类别。输出变量是一个项目经历发布过程所花费的时间，是一个连续变量。我想预测一个项目完成这个过程需要多长时间。

 Design_cntry      Prod_category    prod_line    ...   time_minutes
     A                  A1             A11       ...     43.2
     B                  B1             A11       ...     20.1    
     C                  E1             B11       ...     15.0
    ...                ...             ...       ...     ....

为了让我将它们用作随机森林回归器的输入，我如何处理不同的输入变量？

我知道使用分类变量可以应用一种热编码。但是我要对每个单独的变量执行此操作吗？

 X_des_country = pd.get_dummies([data['design_cntry'], prefix = "design_country")
 X_prod_cat = pd.get_dummies([data['prod_cat'], prefix = "prod_cat")

然后我将拥有 18 个不同列数的不同输入数据帧。在训练模型时如何使用这些变量作为输入？我是否通过相对于索引合并将它们全部放入一个数据框“X”中？

或者直接在原始数据帧上应用一种热编码是否更好？

   X = df.drop("time_minutes", axis = 1)
   X = pd.get_dummies(X)

Answer 1

作为(重要的)旁注，为了避免虚拟变量陷阱，您需要为每个分类变量删除一个值:您可以通过在 pd 中添加 drop_first=True 来做到这一点.get_dummies

对于您的回归模型，您可以将所有这些新功能组合在一起并使用它来训练您的模型。但您不必创建 18 个不同的 DataFrame，您可以一次完成所有操作:

>>> df = pd.DataFrame({'A': ['a', 'b', 'a'], 'B': ['b', 'a', 'c'],'C': [1, 2, 3]})
   A  B  C
0  a  b  1
1  b  a  2
2  a  c  3

>>> pd.get_dummies(df, drop_first=True)
   C  A_b  B_b  B_c
0  1    0    1    0
1  2    1    0    0
2  3    0    0    1

这将仅为分类变量(即 char 列)创建虚拟变量，并保留 int 列原样(参见上面的 C 列)。如果您的变量之一仅包含整数，但您希望将其视为分类变量，只需预先将其转换为字符变量即可。