我正在尝试对包含3个分类变量的数据集应用回归（使用XGBRegressor）。

X_data

severity -> values S1,S2,S3priority -> values P1,P2,P3cluster -> values a,b,c,d

y_data要预测的标签是数值

为了将所有3列转换为分类变量，我使用：

pd.get_dummies(X_data['thecolumn'],drop_first =True)

转换所有变量后，我得到了7个新列（考虑到我总是删除第一列）。在应用算法时，来自priority或cluster的列是否会被误解为severity的第三列？我可能没有理解这个概念，但我看不出如何保持引用，我担心我做得不对。

回答：

不会。来自priority或cluster的列不会被误解为severity的第三列。

关于如何保持引用的回答如下：

在pandas.get_dummies中有一个参数，即drop_first，它允许你选择是否保留或删除引用（是否保留k个分类级别中的k个或k-1个虚拟变量）。

请注意，drop_first = False意味着不删除引用，并从k个分类级别中创建k个虚拟变量！你设置drop_first = True，然后它会在编码后删除引用列。

这里是关于独热编码的链接。

在你的例子中，severity有3个类别S1、S2和S3。在创建虚拟变量后，这些类别中的一个总是1，其他的是0。

对于s1，它将是[1,0,0]，s2将是[0,1,0]，s3将是[0,0,1]

现在如果你删除了类别s1的列。

如果severity是S1，值将是[0,0]

如果severity是S2，值将是[1,0]

如果severity是S3，值将是[0,1]。

所以这里没有信息丢失，你的模型需要处理的列少了一个。这就是为什么总是建议将drop_first参数设置为True。

编辑：

应用虚拟变量后，你将得到如下列：

severity_S1   severity_S2   severity_S3    1              0              0                  # 当值为S1时  0              1              0                  # 当值为S2时    0              0              1                  # 当值为S3时

pandas.get_dummies()在创建上述引用后删除第一列。所以你的数据将如下所示：

 severity_S2   severity_S3   0              0                  # 当值为S1时   1              0                  # 当值为S2时     0              1                  # 当值为S3时

对于所有这些变量，你的最终数据将如下所示：由于空间问题，我使用了简短的列名：

s2  s3  p2  p3  B  C  D0   0   1   0   1  0  0     # 对于S1, P2和B的行0   1   0   1   0  1  0     # 对于S3, P3和C的行1   0   0   0   0  0  1     # 对于S2, P1和D的行1   0   0   0   0  0  0     # 对于S2, P1和A的行