Pertama, mari kita buat mcve untuk dimainkan:
import pandas as pd
import numpy as np
In [1]: categorical_array = np.random.choice(['Var1','Var2','Var3'],
size=(5,3), p=[0.25,0.5,0.25])
df = pd.DataFrame(categorical_array,
columns=map(lambda x:chr(97+x), range(categorical_array.shape[1])))
# Add another column that isn't categorical but float
df['d'] = np.random.rand(len(df))
print(df)
Out[1]:
a b c d
0 Var3 Var3 Var3 0.953153
1 Var1 Var2 Var1 0.924896
2 Var2 Var2 Var2 0.273205
3 Var2 Var1 Var3 0.459676
4 Var2 Var1 Var1 0.114358
Sekarang kita bisa menggunakan pd.get_dummies untuk menyandikan tiga kolom pertama.
Perhatikan bahwa saya menggunakan drop_first
parameter karena N-1
boneka sudah cukup untuk sepenuhnya menggambarkan N
kemungkinan (misalnya: jika a_Var2
dan a_Var3
0, maka itu a_Var1
). Juga, saya secara spesifik menentukan kolom tetapi saya tidak harus karena akan menjadi kolom dengan dtype baik object
atau categorical
(lebih banyak di bawah).
In [2]: df_encoded = pd.get_dummies(df, columns=['a','b', 'c'], drop_first=True)
print(df_encoded]
Out[2]:
d a_Var2 a_Var3 b_Var2 b_Var3 c_Var2 c_Var3
0 0.953153 0 1 0 1 0 1
1 0.924896 0 0 1 0 0 0
2 0.273205 1 0 1 0 1 0
3 0.459676 1 0 0 0 0 1
4 0.114358 1 0 0 0 0 0
Dalam aplikasi spesifik Anda, Anda harus memberikan daftar kolom yang Kategorikal, atau Anda harus menyimpulkan kolom mana yang Kategorikal.
Skenario terbaik dataframe Anda sudah memiliki kolom ini dengan dtype=category
dan Anda dapat melewati columns=df.columns[df.dtypes == 'category']
ke get_dummies
.
Kalau tidak, saya sarankan untuk mengatur dtype
semua kolom lainnya sesuai (petunjuk: pd.to_numeric, pd.to_datetime, dll) dan Anda akan dibiarkan dengan kolom yang memiliki object
dtype dan ini harus menjadi kolom kategori Anda.
Kolom parameter pd.get_dummies default sebagai berikut:
columns : list-like, default None
Column names in the DataFrame to be encoded.
If `columns` is None then all the columns with
`object` or `category` dtype will be converted.