虚拟变量的方法介绍及python实现方式

虚拟变量的定义作用

计量经济学中对虚拟变量给出了定义、作用及使用场景，进一步的深入了解可以系统性学习。

定义：虚拟变量 ( Dummy Variables) ，用以反映无法定量度量的因素，譬如性别对收入的影响，是量化了的质变量，通常取值为0或1。

另外一些名字：又称哑变量、虚设变量、名义变量、属性变量、双值变量、定性变量、二院型变量等

作用：引入哑变量可使线形回归模型变得更复杂，但对问题描述更简明，一个方程能达到两个方程的作用，而且接近现实

简单点说，如果有一个数据字段“性别”，里面只有两个元素“男”、“女”，那么转换成为0（男）、1（女）的量化方式，并将每个元素形成一列，便是虚拟变量。譬如:

虚拟变量模型

模型定义

引入到模型有两种基本方式：

虚拟变量的设置原则

若定性因素有m个相互排斥的类型或属性，只能引入(m-1)个虚拟变量，否则会陷入"虚拟变量陷阱"，产生完全共线性。（如果f(x)没有截距项，应引入m个虚拟变量）

一般情况，虚拟变量取“0”值代表比较的基准

虚拟变量在单一方程中，可以作为解释变量，也可以作为被解释变量

python的几种实现方式

准备工作，载入相关的包，准备数据集

import pandas as pd
import numpy as np
from sklearn.preprocessing import OneHotEncoder,LabelEncoder
oenc=OneHotEncoder(sparse=False)
lenc=LabelEncoder()
store=pd.DataFrame({'gender':[0.0,11.0,'unknow']})

方式1：通过pandas中的get_dummies生成，

dummies = pd.get_dummies(store['gender'], prefix='gender' )
df=pd.concat([store,dummies],axis=1)
print(df)

# 通过apply自己构建
df1=store.copy()
for col_feat in df1.gender.unique():
    add_col='gender_{}'.format(col_feat)
    df1[add_col]=df1['gender'].apply(lambda x:1 if x==col_feat else 0)
print(df1)

# one-hot 先序列化，然后再做独热编码
arr=np.array(store[['gender']].astype(str)).ravel()
lenc_code=lenc.fit_transform(arr)
oenc_code=oenc.fit_transform(lenc_code.reshape(-1,1))
add_col=list(map(lambda x:'gender_{}'.format(x),np.unique(arr)))
df_onehot=pd.concat([store,pd.DataFrame(oenc_code,columns=add_col)],axis=1)
print(df_onehot)

参考《计量经济学：虚拟变量模型》