虚拟变量 - 这些二进制变量的值可以大于 1 吗？答案

【问题标题】：Dummy Variables - Can the value of these binary variables be more than 1?虚拟变量 - 这些二进制变量的值可以大于 1 吗？
【发布时间】：2021-02-11 23:45:32
【问题描述】：

我有以下数据集：


**organization**     **university**
  Facebook             Harvard
  Facebook             Harvard
  Facebook             Harvard
  Wetpaint             UC Berkeley
  Wetpaint             LSE

这些是这些组织的创始人和联合创始人就读的大学。对于我的机器学习项目（使用随机森林和决策树），我希望每个组织都有 1 行。我相信我可以通过创建虚拟变量来轻松做到这一点，在这些变量中，如果存在组织，则为 1，否则为 0。

创建虚拟变量后，可以将虚拟变量相加并合并行。以下是我期望的结果：


**organization**  **Harvard**  **UC Berkeley**  **LSE**
Facebook               3              0            0
Wetpaint               0              1            1

我想知道这在技术上对机器学习算法是否有意义。我还认为，因为我们有 3 行用于 Facebook，而只有 2 行用于 Wetpaint，这也会导致行不平衡。想知道这是否还会导致其他问题。

或者，是否可以为每个组织重复行并只运行算法？这会导致任何问题吗？

请告诉我。请留下对相关书籍或科学期刊的参考。

【问题讨论】：

标签： machine-learning dummy-variable

【解决方案1】：

要获得所需的输出，只需使用 pandas cross tab

>>> data = {'organization':['Facebook','Facebook','Facebook','Wetpaint','Wetpaint'], 'university':['Harvard','Harvard','Harvard','UCBerveley','LSE']}
>>> df = pd.datframe(data=data)

>>> df
  organization  university
0     Facebook     Harvard
1     Facebook     Harvard
2     Facebook     Harvard
3     Wetpaint  UCBerveley
4     Wetpaint         LSE

#use crosstab

>>> df_new = pd.crosstab(df.organization, df.university).reset_index()
>>> df_new
university organization  Harvard  LSE  UCBerveley
0              Facebook        3    0           0
1              Wetpaint        0    1           1

对于其他机器学习问题：对于预处理数据集的最佳方法，没有经验法则，这完全取决于您的用例以及您使用的数据量有多大和多样性。例如：在上述问题中，如果您遇到其他大学的0's 问题，您可以在基于organisation 和university 的情况下以这种方式使用它，而不是在所有单独的列中计算每所大学的数量它会给你在场的人数，所以没有0's

>>> df.groupby(['organization','university'])['university'].count()
organization  university
Facebook      Harvard       3
Wetpaint      LSE           1
              UCBerveley    1

但是，正如前面所说，这完全取决于您的要求、用例和数据集。互联网上有大量关于如何为给定场景预处理数据的材料，您可以检查它们并确定最适合您需求的材料

【讨论】：