Comment utiliser Pandas Get Dummies – pd.get_dummies

Souvent, en statistiques, les ensembles de données avec lesquels nous travaillons incluent des variables catégorielles .

Ce sont des variables qui prennent des noms ou des étiquettes. Les exemples comprennent:

• État civil (« marié », « célibataire », « divorcé »)
• Statut de fumeur (« fumeur », « non-fumeur »)
• Couleur des yeux (« bleu », « vert », « noisette »)
• Niveau d’études (par exemple « lycée », « licence », « maîtrise »)

Lors de l’ajustement d’algorithmes d’apprentissage automatique (comme la régression linéaire , la régression logistique , les forêts aléatoires , etc.), nous convertissons souvent les variables catégorielles en variables factices , qui sont des variables numériques utilisées pour représenter des données catégorielles.

Par exemple, supposons que nous ayons un ensemble de données contenant la variable catégorielle Gender . Pour utiliser cette variable comme prédicteur dans un modèle de régression, il faudrait d’abord la convertir en variable muette.

Pour créer cette variable muette, nous pouvons choisir l’une des valeurs (« Mâle ») pour représenter 0 et l’autre valeur (« Femme ») pour représenter 1 :

Comment créer des variables factices dans Pandas

Pour créer des variables factices pour une variable dans un DataFrame pandas, nous pouvons utiliser la fonction pandas.get_dummies() , qui utilise la syntaxe de base suivante :

pandas.get_dummies(data, prefix=Aucun, columns=Aucun, drop_first=False)

où:

• data : Le nom du pandas DataFrame
• prefix : une chaîne à ajouter au début de la nouvelle colonne de variable factice
• columns : Le nom de la ou des colonnes à convertir en variable factice
• drop_first : s’il faut ou non supprimer la première colonne de variable factice

Les exemples suivants montrent comment utiliser cette fonction dans la pratique.

Exemple 1 : créer une seule variable factice

Supposons que nous ayons le DataFrame pandas suivant :

import pandas as pd

#create DataFrame
df = pd.DataFrame({'income': [45, 48, 54, 57, 65, 69, 78],
                   'age': [23, 25, 24, 29, 38, 36, 40],
                   'gender': ['M', 'F', 'M', 'F', 'F', 'F', 'M']})

#view DataFrame
df

        income	age	gender
0	45	23	M
1	48	25	F
2	54	24	M
3	57	29	F
4	65	38	F
5	69	36	F
6	78	40	M

Nous pouvons utiliser la fonction pd.get_dummies() pour transformer le genre en variable factice :

#convert gender to dummy variable
pd.get_dummies(df, columns=['gender'], drop_first=True)

	income	age	gender_M
0	45	23	1
1	48	25	0
2	54	24	1
3	57	29	0
4	65	38	0
5	69	36	0
6	78	40	1

La colonne sexe est désormais une variable fictive où :

• Une valeur de 0 représente « Femme »
• Une valeur de 1 représente « Homme »

Exemple 2 : créer plusieurs variables factices

Supposons que nous ayons le DataFrame pandas suivant :

import pandas as pd

#create DataFrame
df = pd.DataFrame({'income': [45, 48, 54, 57, 65, 69, 78],
                   'age': [23, 25, 24, 29, 38, 36, 40],
                   'gender': ['M', 'F', 'M', 'F', 'F', 'F', 'M'],
                   'college': ['Y', 'N', 'N', 'N', 'Y', 'Y', 'Y']})

#view DataFrame
df

	income	age	gender	college
0	45	23	M	Y
1	48	25	F	N
2	54	24	M	N
3	57	29	F	N
4	65	38	F	Y
5	69	36	F	Y
6	78	40	M	Y

Nous pouvons utiliser la fonction pd.get_dummies() pour convertir le sexe et l’université en variables factices :

#convert gender to dummy variable
pd.get_dummies(df, columns=['gender', 'college'], drop_first=True)


        income	age	gender_M  college_Y
0	45	23	1	  1
1	48	25	0	  0
2	54	24	1	  0
3	57	29	0	  0
4	65	38	0	  1
5	69	36	0	  1
6	78	40	1	  1

La colonne sexe est désormais une variable fictive où :

• Une valeur de 0 représente « Femme »
• Une valeur de 1 représente « Homme »

Et la colonne collège est désormais une variable muette où :

• Une valeur de 0 représente « Non » université
• Une valeur de 1 représente « Oui » au collège

Ressources additionnelles

Comment utiliser des variables factices dans l’analyse de régression
Qu’est-ce que le piège variable factice ?