Queste sono variabili che prendono nomi o etichette. Esempi inclusi:<\/span><\/p>\n Quando ottimizziamo gli algoritmi di machine learning (come la regressione lineare<\/a> , la regressione logistica<\/a> , le foreste casuali<\/a> e cos\u00ec via), spesso convertiamo le variabili categoriali in variabili fittizie<\/strong> , ovvero variabili numeriche utilizzate per rappresentare i dati categoriali.<\/span><\/p>\n Ad esempio, supponiamo di avere un set di dati contenente la variabile categoriale Gender<\/strong> . Per utilizzare questa variabile come predittore in un modello di regressione, sarebbe prima necessario convertirla in una variabile fittizia.<\/span><\/p>\n Per creare questa variabile fittizia, possiamo scegliere uno dei valori (“Maschio”) per rappresentare 0 e l’altro valore (“Femmina”) per rappresentare 1:<\/span> <\/p>\n Per creare dei manichini per una variabile in un DataFrame pandas, possiamo utilizzare la funzione pandas.get_dummies()<\/a> , che utilizza la seguente sintassi di base:<\/span><\/p>\n pandas.get_dummies(dati, prefisso=Nessuno, colonne=Nessuno, drop_first=False)<\/span><\/strong><\/p>\n Oro:<\/span><\/p>\n I seguenti esempi mostrano come utilizzare questa funzione nella pratica.<\/span><\/p>\n Supponiamo di avere i seguenti panda DataFrame:<\/span><\/p>\n Possiamo usare la funzione pd.get_dummies()<\/strong> per trasformare il genere in una variabile fittizia:<\/span><\/p>\n La colonna sesso \u00e8 ora una variabile fittizia dove:<\/span><\/p>\n Supponiamo di avere i seguenti panda DataFrame:<\/span><\/p>\n Possiamo usare la funzione pd.get_dummies()<\/strong> per convertire sesso e universit\u00e0 in variabili fittizie:<\/span><\/p>\n La colonna sesso \u00e8 ora una variabile fittizia dove:<\/span><\/p>\n E la colonna del college ora \u00e8 una variabile fittizia dove:<\/span><\/p>\n Come utilizzare le variabili fittizie nell’analisi di regressione<\/a> Spesso nelle statistiche i set di dati con cui lavoriamo includono variabili categoriali . Queste sono variabili che prendono nomi o etichette. Esempi inclusi: Stato civile (\u201csposato\u201d, \u201ccelibe\u201d, \u201cdivorziato\u201d) Stato di fumatore (\u201cfumatore\u201d, \u201cnon fumatore\u201d) Colore degli occhi (\u201cblu\u201d, \u201cverde\u201d, \u201cnocciola\u201d) Livello di istruzione (es. \u201cscuola superiore\u201d, \u201claurea\u201d, \u201claurea magistrale\u201d) Quando ottimizziamo gli algoritmi di […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannequin2.png\")
<\/p>\n Come creare variabili fittizie in Pandas<\/strong><\/span><\/h3>\n
\n
Esempio 1: creare una singola variabile fittizia<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' income<\/span> ': [45, 48, 54, 57, 65, 69, 78],\n ' age<\/span> ': [23, 25, 24, 29, 38, 36, 40],\n ' gender<\/span> ': ['M', 'F', 'M', 'F', 'F', 'F', 'M']})\n\n#view DataFrame\n<\/span>df\n\n income age gender\n0 45 23 M\n1 48 25 F\n2 54 24 M\n3 57 29 F\n4 65 38 F\n5 69 36 F\n6 78 40 M<\/strong><\/pre>\n #convert gender to dummy variable<\/span>\np.d. get_dummies<\/span> (df, columns=[' gender<\/span> '], drop_first= True<\/span> )\n\n\tincome age gender_M\n0 45 23 1\n1 48 25 0\n2 54 24 1\n3 57 29 0\n4 65 38 0\n5 69 36 0\n6 78 40 1<\/strong><\/pre>\n\n
Esempio 2: creare pi\u00f9 variabili fittizie<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' income<\/span> ': [45, 48, 54, 57, 65, 69, 78],\n ' age<\/span> ': [23, 25, 24, 29, 38, 36, 40],\n ' gender<\/span> ': ['M', 'F', 'M', 'F', 'F', 'F', 'M'],\n ' college<\/span> ': ['Y', 'N', 'N', 'N', 'Y', 'Y', 'Y']})\n\n#view DataFrame\n<\/span>df\n\n\tincome age gender college\n0 45 23 M Y\n1 48 25 F N\n2 54 24 M N\n3 57 29 F N\n4 65 38 F Y\n5 69 36 F Y\n6 78 40 M Y<\/strong><\/pre>\n #convert gender to dummy variable<\/span>\np.d. get_dummies<\/span> (df, columns=[' gender<\/span> ', ' college<\/span> '], drop_first= True<\/span> )\n\n\n income age gender_M college_Y\n0 45 23 1 1\n1 48 25 0 0\n2 54 24 1 0\n3 57 29 0 0\n4 65 38 0 1\n5 69 36 0 1\n6 78 40 1 1<\/strong><\/pre>\n\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Qual \u00e8 la trappola della variabile fittizia?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"