pandas get_dummies()使用

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 8.1k累计阅读 8.1k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄12年

关注

转载最新推荐文章于 2026-04-16 09:23:33 发布 8.1k 阅读 AI 写同款· GEO 优化 ›

pd.get_dummies的使用和疑惑解答 pd.get_dummies的使用参考pandas官网 pandas.get_dummies(data, prefix=None, prefix_sep='_', dummy_na=False, columns=None, sparse=False, drop_first=False, dtype=None) 参数： data：array-like, Series, or DataFrame prefix:str, list of str, or dict of str, default None.St 阅读详情

In [72]: df = pd.DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'b'],
   ....:                    'data1': range(6)})

In [73]: pd.get_dummies(df['key'])
Out[73]: 
   a  b  c
0  0  1  0
1  0  1  0
2  1  0  0
3  0  0  1
4  1  0  0
5  0  1  0

[6 rows x 3 columns]

收录于

Pandas

当前文章被收录于：

Pandas

1 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#python #pandas #get_dummies

pandas中利用get_dummies()进行独热编码（One-Hot encoding）在机器学习分类任务中，经常存在一个特征有多个分类变量值，例如在kaggle中的Titanic比赛数据中，Embarked的值有S,C,Q。我们这个时候要对离散型数据进行onehot编码处理，至于onehot编码的优点以及为什么要用onehot编码？可以参考这篇博文：数据预处理：独热编码（One-Hot Encoding）一、onehot的优点 onehot编码的优点可以总结阅读详情

相关推荐

Pandas中的get_dummies()函数实战应用详解

独热编码，也被称为一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位来表示，并且在任意时候只有一位有效。在数据分析中，这通常意味着为每个类别创建一个新的二进制列，如果原始数据中的某个实例属于该类别，则在新列中标记为1，否则为0。Pandas的get_dummies()函数是处理类别型变量的强大工具，它可以将类别型变量转换为独热编码形式，方便后续的数据分析和机器学习算法应用。在使用该函数时，需要注意处理缺失值、添加前缀、处理重复值、指定要转换的列以及处理稀疏矩阵等问题。

这家伙很懒，什么都没有留下 5951

pd.get_dummies()用法

在数据的预处理过程中，我们需要将一个特征变量变为计算机能读懂的特征距离。 pandas.get_dummies(data, prefix=None, prefix_sep='_', dummy_na=False, columns=None, sparse=False, drop_first=False, dtype=None) 详细参数： prefix：str, list of str, 或 dict of str, 默认为 None 用于追加DataFrame列名称的字符串。 prefix_s

lindaicoding的博客 3万+

Pandas中哑变量处理类别型数据 — get_dummies()方法

哑变量又称虚拟变量、名义变量，从名称上看就知道，它是人为虚设的变量，用来反映某个变量的不同类别。使用哑变量处理类别转换，事实上就是将分类变量转换为哑变量矩阵或指标矩阵，矩阵的值通常为"0"或"1"表示。在Pandas中，可以使用get_dummies()函数对类别特征进行哑变量处理，语法格式如

KJ.JK 7776

pandas get_dummies用法及代码示例

get_dummies 是 pandas 实现one hot encode的方式 one-hot的基本思想：将离散型特征的每一种特征取值都看成一种状态，若指定离散特征中有N 个不相同的取值，那么我们就可以将该特征抽象成N种不同的状态，one-hot编码保证了每一个取值只会使得一种状态处于“激活态”，也就是说这N种状态中只有一个状态位值为1，其他状态位都是0。 1.语法结构 pandas.get_dummies(data, prefix=None, prefix_sep='_', dummy_na=.

weixin_44852067的博客 7141

金蝶个版本下载地址，记得保存收藏。

专业版 V10.0 http://downloads.cmcloud.cn/kis/kis_pro/10.0/kiszybV10sp1.rar V11.0 http://downloads.cmcloud.cn/kis/kis_pro/11.0/KISV11Setup.rar V12.0 http://dow...

饺子的博客 2505

芯片设计-信号完整性 SI 解析：Unit Interval 与比特周期的关系及其在高速信号中的应用

本文深入解析了芯片设计中信号完整性（SI）的核心概念Unit Interval（UI）与比特周期的关系及其在高速信号中的应用。通过实际案例和计算公式，详细阐述了UI在不同数据速率下的变化、在眼图分析中的关键作用，以及如何应对高速信号设计中的抖动和码间干扰等挑战。文章还提供了PCB布线和芯片设计中的UI优化技巧，帮助工程师提升高速信号设计的实战能力。

weixin_28683391的博客 468

pd.get_dummies函数介绍

pd.get_dummies 是 pandas 中用于创建虚拟变量（哑变量）的函数。在机器学习和统计分析中，经常需要将分类变量转换为虚拟变量，以便在模型中使用。pd.get_dummies 可以方便地实现这一转换。

weixin_43597208的博客 793

k3s快速搭建k8s集群环境

k8s 搭建方式有多种，如果你是内网环境，希望占用服务器资源少或是边缘系统（如ARM系统），强烈推荐您使用 k3s进行安装目录k3s 简介k3s架构中文官方文档三台服务器快速搭建k8s集群安装说明步骤1 修改主机名，保持唯一步骤2 安装docker步骤3 安装master节点步骤4 安装worker节点加入集群步骤5 查看集群步骤6 部署 k8s仪表盘 dashboard k3s 简介轻量级 Kubernetes。安装简单，内存只有一半，所有的二进制都不到 100MB K3s 是一个完全符合 Ku.

gzt19881123的专栏 2445

pd.get_dummies

是pandas库中的一个函数，用于将分类变量（categorical data）转换为虚拟变量（dummy variables）或指示变量（indicator variables）。这些虚拟变量常用于机器学习和统计分析中，因为许多模型只能处理数值型数据，而不能直接处理分类数据。

weixin_44012667的博客 1864

AutosarMCAL开发——基于EB CRC驱动

本文为博主个人理解总结记录，如有不正，欢迎指正。

qq_45583706的博客 1389

查找【优快云】- 人工客服

【代码】查找【优快云】- 人工客服。

👨‍💻 前端开发者 | 技术分享者 1401

Python学习笔记——pandas中get_dummies()的用法

原文链接在此可以看到get_dummies 默认就是所有变量都转了默认转了以后的变量用columns名_数值名表示其中参数predix： prefix : 给输出的列添加前缀，如prefix=“A”,输出的列会显示类似 prefix_sep : 设置前缀跟分类的分隔符sepration，默认是下划线"_" df = pd.DataFrame([ [‘green’ , ‘A’], [‘red’ , ‘B’], [‘blue’ , ‘A’]]) pd.get_dummies(df,prefix =

doris_dingding的博客 6097

继电器管理策略（二）

介绍了电池管理系统中的继电器管理,包含控制和诊断

manjixingkong1234的专栏 419

Pandas哑变量get_dummies()编码函数代码示例及验证

Pandas哑变量编码函数 get_dummies()函数可以将分类变量转换为哑变量/指示变量，结果生成一个行数等于数据的元素个数，列数等于变量数，列名为各变量名的DataFrame,对应分类变量的位置取值为1，其余位置取值为0。函数格式如下： pandas.get_dummies(data, prefix=None, prefix_sep=’_’, dummy_na=False, column...

The Zen of Data Analysis 2537

图解联合概率密度、边缘概率密度、条件概率密度之间的关系

简要图解联合概率密度、边缘概率密度、条件概率密度之间的关系

一个搬运知识的笨小孩 2万+

【swjtu】算法实验2.4分析算法时间复杂度

分析给定算法的时间复杂度。上机实验，绘制不同输入情况下的运行时间曲线，并与(1)中的分析结果进行比较。撰写相应的实验报告，实验报告内容包括：实验目的、实验任务、实验环境、实验步骤、实验结果及其分析以及实验总结等部分内容。

qq_52046937的博客 731

pandas:get_dummies()函数

pandas.get_dummies(data, prefix=None, prefix_sep='_', dummy_na=False, columns=None, sparse=False, drop_first=False, dtype=None)[source]Convert categorical variable into dummy/indicator variables，dummy...

呦呦鹿鸣的博客 2951

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。

pandas中的get_dummies()

pandas.get_dummies(data, prefix=None, prefix_sep='_', dummy_na=False, columns=None, sparse=False, drop_first=False) 参数说明： data : array-like, Series, or DataFrame 输入的数据 prefix : string, list of stri...

群星闪耀的博客 627

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏相关源码待公开

python pandas.get_dummies()函数的使用

引用

Dontla的博客 1337

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

pandas 中get_dummies() 与factorize()的区别

pandas 中get_dummies() 与factorize()的区别当一个特征中存在较多的类别时，使用get_dummies() 会导致DataFrame中的columns 列数激增 factorize() 可以对特征中的类别创建一些数字，来表示分类变量或者枚举型变量(enumerated type)。具体来说：factorize() 只产生一个特征变量，这个特征中对类别使用数字进行区分。适用于出现较多独立变量的情况参考 e.p. ...

eerywh的博客 317

pandas:get_dummies()与pd.factorize()用法与区别

1.get_dummies() pandas.get_dummies(data, prefix=None, prefix_sep='_', dummy_na=False, columns=None,sparse=False, drop_first=False)：Convert categorical variable into dummy/indicator variables >&g...

Rookiekk 2056

Pandas 文本数据方法 get_dummies()

Series.str.get_dummies(sep=’|’)分割字符串并返回各个字符的复杂矩阵参数: sep : 字符串, 默认为“|” 返回值: 数据框(DataFrame)>>> Series(['a|b', np.nan, 'a|c']).str.get_dummies() a b c 0 1 1 0 1 0 0 0 2 1 0 1

Claroja 3948

[Python中pandas实现独热编码][pd.get_dummies()函数]

快速理解独热编码前，存在1列x3行的数据： 1列的列名称为：动物名称 3行中第1行的值为：猫 3行中第2行的值为：狗 3行中第3行的值为：猫独热编码后，变为2列x3行的数据，第一列是猫，第二列是狗 2列的列名称分别为：猫，狗 3行中第1行的值变为：1，0 3行中第2行的值变为：0，1 3行中第3行的值变为：1，0 选择题以下关于pandas库中pd.get_dummies()函数说法错误的是：选项： A 可以对Dataframe中字段类型是Object的列进行...

liujingwei8610的专栏 3436

数据清洗-pandas中one-hot编码函数pd.get_dummies()

1 函数解释离散特征的编码分为两种情况：离散特征的取值之间没有大小的意义，比如color：[red,blue],那么就使用one-hot编码离散特征的取值有大小的意义，比如size:[M,L,XL],那么就使用数值的映射{M:1,L:2,XL:3} 使用pandas.get_dummies()函数可以很方便的对离散型特征进行one-hot编码 pandas.get_dummies(dat...

weixin_43422455的博客 1299

pandas.get_dummies()

参考博客1 参考博客2 one hot 编码形式和定义 one hot 编码，其为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候只有一位有效。这些特征值并不是连续的，而是离散的，无序的。通常我们需要对其进行特征数字化。特征数字化性别特征：[“男”,“女”] 按照N位状态寄存器来对N个状态进行编码的原理，咱们处理后应该是这样的（这里只有两个特征，所以N=2）：男 → 10 女 → 01 国家特征：[“中国”，"美国，“法国”]（N=3）

qq_45279570的博客 797

上一篇：决策树实现

下一篇： grub-efi-amd64-signed安装失败

Pandas中的get_dummies()函数实战应用详解

这家伙很懒，什么都没有留下

05-13

5951