scikit-learn - 使用随机森林时在 scikit-learn 中表示因子变量的方法是什么？

Question

我正在使用随机森林解决分类问题。为此，我决定使用 Python 库 scikit-learn。但我对随机森林算法和这个工具都很陌生。我的数据包含许多因子变量。我用谷歌搜索，发现像我们在线性回归中所做的那样为因子变量提供数值是不正确的，因为它会将其视为连续变量并给出错误的结果。但是我在 scikit-learn 中找不到任何关于如何处理因子变量的信息。请告诉我使用的选项或指向我可以获取的某个文档。

Answer 1

如果您使用的是 Pandas 数据框，则可以轻松使用 get_dummies 函数来完成此操作。下面是一个例子:

import pandas as pd

my_data = [['a','b'],['b','a'],['c','b'],['d','a'],['a','c']]
df = pd.DataFrame(my_data, columns = ['var1','var2'])
dummy_ranks = pd.get_dummies(df['var1'], prefix = 'var1_')
print dummy_ranks

   var1__a  var1__b  var1__c  var1__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 rows x 4 columns]