如何将CSV中分类变量smoker重编码为虚拟变量smoke？

你可以通过以下几种方式将smoker列重编码为名为smoke的虚拟变量，以下是整合后的完整代码：

方法1：手动映射（适用于明确二元分类值，如"yes"/"no"） #

import numpy as np
import pandas as pd
import statsmodels.formula.api as sms
from statsmodels.formula.api import ols

ins = pd.read_csv("insurance.csv")

# Recode the column smoker into a dummy variable with the prefix smoke
# 假设smoker列值为"yes"（吸烟者）和"no"（非吸烟者）
ins['smoke'] = ins['smoker'].map({'yes': 1, 'no': 0})

results = ols(formula='charges ~ age + bmi + smoke', data=ins)
model = results.fit()

aov_table = sms.stats.anova_lm(model, typ=2)

print(aov_table)

方法2：使用pandas get_dummies生成虚拟变量（通用型） #

如果smoker是多分类变量（二元场景也适用），这种方法更灵活：

import numpy as np
import pandas as pd
import statsmodels.formula.api as sms
from statsmodels.formula.api import ols

ins = pd.read_csv("insurance.csv")

# Recode the column smoker into a dummy variable with the prefix smoke
# 生成带前缀的虚拟变量，提取目标列作为smoke
dummy_df = pd.get_dummies(ins['smoker'], prefix='smoke')
# 提取"smoke_yes"列作为虚拟变量（1代表吸烟者）
ins['smoke'] = dummy_df['smoke_yes']
# 可选：删除原smoker列，避免模型混淆
# ins.drop('smoker', axis=1, inplace=True)

results = ols(formula='charges ~ age + bmi + smoke', data=ins)
model = results.fit()

aov_table = sms.stats.anova_lm(model, typ=2)

print(aov_table)

补充说明 #

• 若smoker列已是布尔值（True/False），可直接转整数：ins['smoke'] = ins['smoker'].astype(int)
• 虚拟变量中1代表目标类别（如吸烟者），0代表参照类别（如非吸烟者），模型中smoke的系数将直接反映两类群体在charges上的差异

内容的提问来源于stack exchange，提问作者Kayla