我正在尝试使用UCI库中的汽车评估数据集，我想知道是否有方便的方法在sklearn中将分类变量二值化。一种方法是使用DictVectorizer或LabelBinarizer，但这样我会得到k个不同的特征，而为了避免共线性，你应该只有k-1个。我猜我可以编写自己的函数并删除一列，但这种记录工作很繁琐，有没有简单的方法来执行这种转换并得到一个稀疏矩阵作为结果？

回答：

DictVectorizer是生成分类变量的一热编码的推荐方法；你可以使用sparse参数来创建一个稀疏的CSR矩阵，而不是一个密集的numpy数组。我通常不关心多重共线性，我在使用的方法中（即LinearSVC、SGDClassifier、基于树的方法）没有注意到问题。

修改DictVectorizer以删除每个分类特征的一列应该不是问题——你只需在fit方法结束时从DictVectorizer.vocabulary中删除一个术语即可。（欢迎随时提交拉取请求！）