如何在pandas哑变量编码中自定义参考水平，替代drop_first=True用法

1. 手动删除指定哑变量列的操作是否正确 #

• 该操作完全正确
• 逻辑原理：设置drop_first=False会生成分类变量所有类别的哑变量列，此时手动删除你期望作为参考水平的类别对应的哑变量列，完全符合哑变量编码规则，不会引入多重共线性问题，和默认drop_first=True的编码逻辑本质一致，生成的特征可直接用于statsmodels逻辑回归建模。

2. Pandas内置自定义参考水平的实现方法 #

Pandas支持通过预定义分类变量顺序的内置方案实现自定义参考水平，不需要手动删列：先将目标分类列转换为指定顺序的Categorical类型，把你要设置为参考水平的类别放在类别顺序的第一位，再调用pd.get_dummies并设置drop_first=True，此时会自动删除参考水平对应的哑变量列。

对应示例代码 #

import pandas as pd
d = {'a': [1,2,3,4], 'b': [5,6,7,8], 'c': [9,10,11,12], 
     'colors': pd.Series(['red', 'blue', 'green', 'red'])}
df = pd.DataFrame(d)
# 将colors列转为分类类型，把要作为参考的green放在类别顺序第一位
df['colors'] = pd.Categorical(df['colors'], categories=['green', 'blue', 'red'])
# 自动丢弃第一个类别green对应的哑变量
df = pd.get_dummies(df, drop_first=True)
print(df)

运行后生成的哑变量仅保留colors_blue和colors_red，自动以green为参考水平，完全符合需求。

两种实现方式最终生成的特征完全一致，分类变量类别较多时更推荐使用指定Categorical顺序的方法，避免手动删列时写错列名出错。

内容的提问来源于stack exchange，提问作者fftx123