使用pandas.get_dummies时如何去除冗余分类编码列？

这确实是one-hot编码里很常见的问题——对于有n个类别的分类变量，我们只需要n-1列就能完整表达所有类别信息，剩下的一列完全可以通过其他列反向推导出来。冗余列不仅会增加数据维度，还可能在后续建模（比如线性回归）中引发多重共线性问题。下面给你两种实用的解决方法：

方法一：直接用get_dummies的drop_first参数（推荐） #

这是最简洁高效的方式，在生成one-hot编码时就自动去掉每个分类变量的第一个类别对应的列：

import pandas as pd

# 初始化你的DataFrame
df = pd.DataFrame(data=[['male','blue'],['female','brown'], ['male','black']],columns=['gender','eyes'])

# 使用drop_first=True去除冗余列
df_dummies = pd.get_dummies(df, drop_first=True)

运行后得到的df_dummies结果如下：

这里gender_male列的值就足够表达性别信息：1代表male，0代表female；而eyes_blue和eyes_brown同时为0时，就对应black眼睛，完全没有信息损失。

方法二：手动删除已生成的冗余列 #

如果已经生成了包含冗余列的df_dummies，可以手动删除每个分类变量下的任意一列（保留n-1列即可）：

# 假设已经生成了原始的df_dummies
df_dummies = pd.get_dummies(df)

# 手动删除冗余列：比如去掉gender_female和eyes_black
df_dummies_cleaned = df_dummies.drop(['gender_female', 'eyes_black'], axis=1)

这种方法适合需要自定义保留哪一列的场景，但变量较多时不如第一种方法高效。

简单总结一下：优先用drop_first=True参数自动处理，既省事儿又能避免手动操作出错~

内容的提问来源于stack exchange，提问作者gabboshow