对于回归，我通常使用 sklearn 的 OneHotEncoder 对分类变量进行编码。
我现在正在探索使用 patsy，但它似乎不提供 One-hot 编码：http://patsy.readthedocs.io/en/latest/categorical-coding.html
是否可以使用 patsy 指定 One-hot 编码？
【问题讨论】：
标签： python machine-learning scikit-learn patsy
这里有两件事可能会有所帮助：(1) patsy 默认包含一个截距（在每个公式的开头都有一个不可见的 1 +），以及 (2) 编码分类值时，自动 patsy选择避免创建过度参数化模型的编码策略。
如果您将截距 + 全秩 one-hot 编码结合起来，那么您将得到一个过度参数化的模型。因此，patsy 切换到处理编码（= 基本上从您正在考虑的 one-hot 编码中删除一列）。这样可以避免在编码列和截距列之间产生线性依赖关系。
避免这种情况的一个简单方法是删除截距 - 这样 patsy 就不会担心线性相关性，而是会使用您所期望的那种单热编码：y ~ -1 + a（@987654323 @ 取消不可见的1 以消除拦截）。
或者，如果您真的想要一个过度参数化的模型，那么如果您在链接到的文档页面上进一步向下滚动，它会告诉您如何定义任意自定义编码方案。
import numpy as np
from patsy import ContrastMatrix
class FullRankOneHot(object):
def __init__(self, reference=0):
self.reference = reference
# Called to generate a full-rank encoding
def code_with_intercept(self, levels):
return ContrastMatrix(np.eye(len(levels)),
["[My.%s]" % (level,) for level in levels])
# Called to generate a non-full-rank encoding. But we don't care,
# we do what we want, and return a full-rank encoding anyway.
# Take that, patsy.
def code_without_intercept(self, levels):
return self.code_with_intercept(levels)
然后你可以像这样使用它：y ~ 1 + C(a, FullRankOneHot)。
【讨论】：
您提供的链接中的第一个示例确实是单热编码：
In [3]: data
Out[3]: {'a': ['a1', 'a2', 'a3', 'a1', 'a2', 'a3']}
In [4]: dmatrix("a", data)
Out[4]:
DesignMatrix with shape (6, 3)
Intercept a[T.a2] a[T.a3]
1 0 0
1 1 0
1 0 1
1 0 0
1 1 0
1 0 1
Terms:
'Intercept' (column 0)
'a' (columns 1:3)
请注意，要对具有 3 个级别的分类变量进行编码，您只需要 2 个二进制变量。本文档中的编码以a1 为基础，并为a2 和a3 添加了另外两个二进制变量。如果a2 和a3 都为0，则表示该值为a1。
在 sklearn 的 OneHotEncoder 或 pandas 的 pd.get_dummies() 中，它们返回一个矩阵，其列数与分类变量的级别相同，但包含一个额外的列，因为您可以用其他列中的值。
【讨论】：