我有一组数据，描述了一个项目通过发布流程的情况。这个项目有不同的变量，例如“产品类别”、“设计国家”、“产品线”等。总共有18种不同的二元或分类数据。这些不同的变量具有不同的维度。例如，有3个不同的设计国家，而有8个不同的产品类别。输出变量是项目通过发布流程所需的时间，这是一个连续变量。我想预测一个项目通过该流程需要多长时间。

 Design_cntry      Prod_category    prod_line    ...   time_minutes     A                  A1             A11       ...     43.2     B                  B1             A11       ...     20.1         C                  E1             B11       ...     15.0    ...                ...             ...       ...     ....

为了将这些数据作为输入用于随机森林回归模型，我该如何处理这些不同的输入变量？

我知道使用分类变量时可以应用独热编码。但我是否需要对每个独立变量分别进行这种操作？

 X_des_country = pd.get_dummies([data['design_cntry'], prefix = "design_country") X_prod_cat = pd.get_dummies([data['prod_cat'], prefix = "prod_cat")

这样我将得到18个不同列数的输入数据框。那么在训练我的模型时，我如何使用这些变量作为输入？我是否应该通过索引将它们全部合并到一个名为“X”的数据框中？

还是直接对原始数据框应用独热编码更好？

   X = df.drop("time_minutes", axis = 1)   X = pd.get_dummies(X)

回答：

作为一个重要的补充说明，为了避免虚拟变量陷阱，你需要为每个分类变量删除一个值：你可以通过在pd.get_dummies中添加drop_first=True来实现这一点

对于你的回归模型，你可以将所有这些新特征组合起来，并用它来训练你的模型。但你不需要创建18个不同的数据框，你可以一次性完成所有操作：

>>> df = pd.DataFrame({'A': ['a', 'b', 'a'], 'B': ['b', 'a', 'c'],'C': [1, 2, 3]})   A  B  C0  a  b  11  b  a  22  a  c  3>>> pd.get_dummies(df, drop_first=True)   C  A_b  B_b  B_c0  1    0    1    01  2    1    0    02  3    0    0    1

这将仅为分类变量（即字符列）创建虚拟变量，并保持整数列不变（如上面的列C）。如果你的一个变量只包含整数，但你希望它被视为分类变量，只需在之前将其转换为字符变量即可。