我对统计学、Python、机器学习和Scikit-learn都是新手。然而，我正在尝试一个项目，我有一个包含35列学生数据的CSV文件。第一列是ID，我想我可以忽略它。最后三列是第一学期、第二学期和第三学期的成绩。我有400行数据。我想看看我是否能用它来学习一些机器学习，并从我拥有的数据中得出一些有意义的结论。现在我了解到Scikit是基于Numpy数组的，而Numpy数组不处理像性别（’男’、’女’）这样的分类数据。因此，我将所有30个类别编码为1代表男，2代表女，依此类推。然后我做了以下操作

X = my_data[:,1:33]y = my_data[:,34]from sklearn.linear_model import LinearRegressionmodel = LinearRegression()model.fit(X,y)expected = ypredicted = model.predict(X)mse = np.mean((predicted-expected)**2)print(mse)print(model.score(X,y))

我得到了一个均方误差（MSE）为6.0839840461，模型得分为0.709407474898。

我得到了一些结果。对于第一次尝试来说还不错。然而，我意识到由于我为男分配了递增的编码值1，为女分配了2，线性回归会将它们视为权重。我如何用[1,0]或[0,1]替换性别列，我了解到这是表示分类数据的正确方法？它应该是字典类型列还是列表类型列？如果是，它将如何成为Numpy数组的一部分？

回答：

这被称为指示变量或虚拟变量，Pandas可以轻松地对这种分类值进行编码：

>>> import pandas as pd>>> pd.get_dummies(['male', 'female'])   female  male0       0     11       1     0

不过，不要忘记多重共线性 – 像线性回归这样的算法依赖于变量的独立性，而在你的情况下female=0肯定意味着male=1。在这种情况下，只需移除一个虚拟变量（例如，只使用female变量而不使用male）。