使用pd.get_dummies()如何保留原NA值、不生成单独NA哑变量列

核心逻辑 #

• 调用pd.get_dummies()时不要传入dummy_na=True参数，该参数的作用就是将缺失值识别为独立类别，生成专属的哑变量列，是需要规避的行为
• 定位原数据中存在缺失值的行索引，在生成的哑变量结果中，将这些行的所有哑变量取值统一替换为缺失值，即可匹配期望的转换效果

具体操作步骤 #

1. 预处理数据：将示例中存储为字符串类型的缺失标识（即"NA"）替换为pandas可识别的真正空值，避免被误判为普通离散类别

# 把字符串形式的"NA"替换为pandas标准缺失值
df["someCol"] = df["someCol"].replace("NA", pd.NA)

2. 正常生成哑变量，保持dummy_na参数为默认值False

# 生成哑变量，此时缺失值行的位置默认在所有哑变量列填充0
dummies = pd.get_dummies(df["someCol"])

3. 对缺失行的哑变量值做替换

# 找到原数据中缺失值对应的行索引
na_row_pos = df[df["someCol"].isna()].index
# 将这些行的所有哑变量取值替换为NA
dummies.loc[na_row_pos, :] = pd.NA

结果说明 #

执行完成后，生成的哑变量表完全符合预期：不会单独生成someCol_NA独立列，原缺失值所在行的所有哑变量位置都会保留NA值，和你给出的表3结构完全一致。

提示：如果对多列分类变量批量执行该操作，只要把上述逻辑封装成通用函数逐列调用即可，不需要逐列手动调整。

内容的提问来源于stack exchange，提问作者Zakariah Siyaji