我正在处理一个分类问题，使用的是Python中的逻辑回归模型（scikit learn）。我的一个特征是性别。在原始数据集中，这个变量是一个字符串（男性，女性）。我使用了pandas的get_dummies方法，生成了两列0,1值的列，每个类别一列。

我的问题是，我应该使用两个不同的列，还是使用单列比如男性（0,1）？

回答：

我个人喜欢为具有n个类别的字段使用n - 1列。在使用get_dummies方法时，这意味着将drop_first设置为True。

至于我为什么喜欢这样做；我的前任导师在他的回答中很好地解释了这一点，关于独热编码与虚拟编码在scikit learn中的比较。基本上，这归结为消除共线性。