Pandas哑变量处理：新向量转换及多类型列适配方法问询

嘿，我来帮你理清楚Pandas里这种混合类型列的哑变量处理方法，刚好你说的场景特别典型，咱们一步步拆解：

先明确核心工具：pandas.get_dummies() #

这个函数是Pandas处理哑变量的首选，只要参数设置得当，就能完美适配你说的所有列类型。咱们先构造一个和你场景匹配的示例数据，方便演示：

import pandas as pd

# 构造和你描述一致的示例数据
data = pd.DataFrame({
    "did_do_something": ["true", "false", "true", "false"],  # 文本型两分类
    "browser_type": ["chrome", "safari", "chrome", "chrome"],  # 文本型多分类
    "version_type": ["1", "2", "3", "4"],  # 数值枚举型分类（字符串格式）
    "age": [25, 30, 22, 35]  # 普通数值列，保持原样
})

分类型处理哑变量 #

我们需要明确：只有分类列需要编码，普通数值列直接保留。下面是具体的处理步骤：

1. 一次性处理所有分类列 #

使用get_dummies()时，通过columns参数指定要编码的列，用prefix给新列加前缀（方便识别来源），drop_first参数可选（用来避免多重共线性，比如两分类列只保留一个即可）：

# 生成哑变量，指定目标列+前缀
dummy_data = pd.get_dummies(
    data,
    columns=["did_do_something", "browser_type", "version_type"],
    prefix=["did", "browser", "version"],
    drop_first=False  # 如果想简化两分类列，可设为True，比如只保留did_true
)

print(dummy_data)

输出结果会是这样：

age  did_false  did_true  browser_chrome  browser_safari  version_1  version_2  version_3  version_4
0   25          0         1               1               0          1          0          0          0
1   30          1         0               0               1          0          1          0          0
2   22          0         1               1               0          0          0          1          0
3   35          1         0               1               0          0          0          0          1

2. 针对不同列类型的细节说明 #

• 文本型两分类列（如did_do_something）：如果设置drop_first=True，会自动删除其中一个类别列（比如did_false），只用did_true的0/1来表示两种状态，更简洁。
• 数值枚举列（如version_type）：不管是字符串格式还是整数格式，get_dummies()都会把每个枚举值转成单独的哑变量列，完全不用担心类型问题。
• 普通数值列（如age）：因为没被加入columns参数，所以直接保留原有数值，不会被编码。

把新向量转换成对应哑变量表示 #

如果有新的样本数据，要转换成和现有哑变量一致的格式，关键是对齐列结构，避免因为新样本缺少某些类别导致列不匹配：

# 示例新样本
new_sample = pd.DataFrame({
    "did_do_something": ["true"],
    "browser_type": ["safari"],
    "version_type": ["2"],
    "age": [28]
})

# 先给新样本做哑变量编码
new_dummies = pd.get_dummies(
    new_sample,
    columns=["did_do_something", "browser_type", "version_type"],
    prefix=["did", "browser", "version"],
    drop_first=False
)

# 对齐原有哑变量的列，缺少的列自动填充0
new_dummies_aligned = new_dummies.reindex(columns=dummy_data.columns, fill_value=0)

print(new_dummies_aligned)

输出的对齐后结果：

age  did_false  did_true  browser_chrome  browser_safari  version_1  version_2  version_3  version_4
0   28          0         1               0               1          0          1          0          0

额外小技巧 #

如果觉得两分类列生成两个哑变量列太冗余，也可以手动映射成0/1数值列：

# 直接把did_do_something转成0/1列
data["did_do_something"] = data["did_do_something"].map({"true": 1, "false": 0})

这种方式更适合只需要单列表示两分类的场景。

内容的提问来源于stack exchange，提问作者Avba