Dit zijn variabelen die namen of labels aannemen. Voorbeelden zijn onder meer:<\/span><\/p>\n Bij het afstemmen van machine learning-algoritmen (zoals lineaire regressie<\/a> , logistische regressie<\/a> , willekeurige forests<\/a> , enz.), zetten we categorische variabelen vaak om in dummy-variabelen<\/strong> . Dit zijn numerieke variabelen die worden gebruikt om categorische gegevens weer te geven.<\/span><\/p>\n Stel dat we bijvoorbeeld een gegevensset hebben die de categorische variabele Geslacht<\/strong> bevat. Om deze variabele als voorspeller in een regressiemodel te gebruiken, zou het eerst nodig zijn om deze naar een dummyvariabele te converteren.<\/span><\/p>\n Om deze dummyvariabele te maken, kunnen we een van de waarden („Male“) kiezen om 0 weer te geven en de andere waarde („Female“) om 1 weer te geven:<\/span> <\/p>\n Om dummies te maken voor een variabele in een pandas DataFrame, kunnen we de functie pandas.get_dummies()<\/a> gebruiken, die de volgende basissyntaxis gebruikt:<\/span><\/p>\n pandas.get_dummies(data, prefix=Geen, kolommen=Geen, drop_first=False)<\/span><\/strong><\/p>\n Goud:<\/span><\/p>\n De volgende voorbeelden laten zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we de volgende panda’s DataFrame hebben:<\/span><\/p>\n We kunnen de functie pd.get_dummies()<\/strong> gebruiken om het geslacht in een dummyvariabele te veranderen:<\/span><\/p>\n De geslachtskolom is nu een dummyvariabele waarbij:<\/span><\/p>\n Stel dat we de volgende panda’s DataFrame hebben:<\/span><\/p>\n We kunnen de functie pd.get_dummies()<\/strong> gebruiken om geslacht en universiteit om te zetten in dummyvariabelen:<\/span><\/p>\n De geslachtskolom is nu een dummyvariabele waarbij:<\/span><\/p>\n En de college-kolom is nu een dummyvariabele waarin:<\/span><\/p>\n Hoe dummyvariabelen te gebruiken in regressieanalyse<\/a> Vaak bevatten de datasets waarmee we werken in de statistiekcategorische variabelen . Dit zijn variabelen die namen of labels aannemen. Voorbeelden zijn onder meer: Burgerlijke staat (\u201cgetrouwd\u201d, \u201csingle\u201d, \u201cgescheiden\u201d) Rookstatus (\u201croker\u201d, \u201cniet-roker\u201d) Oogkleur (\u201cblauw\u201d, \u201cgroen\u201d, \u201chazelnoot\u201d) Opleidingsniveau (bijv. \u201cmiddelbare school\u201d, \u201cbachelordiploma\u201d, \u201cmasterdiploma\u201d) Bij het afstemmen van machine learning-algoritmen (zoals lineaire regressie , logistische regressie , […]<\/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":[],"class_list":["post-1784","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannequin2.png\")
<\/p>\n Hoe dummyvariabelen in Panda’s te maken<\/strong><\/span><\/h3>\n
\n
Voorbeeld 1: Maak \u00e9\u00e9n dummyvariabele<\/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
Voorbeeld 2: Maak meerdere dummyvariabelen<\/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
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Wat is de dummy-variabeleval?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"