Estas s\u00e3o vari\u00e1veis que levam nomes ou r\u00f3tulos. Exemplos incluem:<\/span><\/p>\n Ao ajustar algoritmos de aprendizado de m\u00e1quina (como regress\u00e3o linear<\/a> , regress\u00e3o log\u00edstica<\/a> , florestas aleat\u00f3rias<\/a> , etc.), frequentemente convertemos vari\u00e1veis categ\u00f3ricas em vari\u00e1veis fict\u00edcias<\/strong> , que s\u00e3o vari\u00e1veis num\u00e9ricas usadas para representar dados categ\u00f3ricos.<\/span><\/p>\n Por exemplo, suponha que temos um conjunto de dados contendo a vari\u00e1vel categ\u00f3rica Gender<\/strong> . Para utilizar esta vari\u00e1vel como preditora em um modelo de regress\u00e3o, primeiro seria necess\u00e1rio convert\u00ea-la em uma vari\u00e1vel dummy.<\/span><\/p>\n Para criar esta vari\u00e1vel dummy, podemos escolher um dos valores (\u201cMasculino\u201d) para representar 0 e o outro valor (\u201cFeminino\u201d) para representar 1:<\/span> <\/p>\n Para criar manequins para uma vari\u00e1vel em um DataFrame do pandas, podemos usar a fun\u00e7\u00e3o pandas.get_dummies()<\/a> , que usa a seguinte sintaxe b\u00e1sica:<\/span><\/p>\n pandas.get_dummies(dados, prefix=Nenhum, colunas=Nenhum, drop_first=Falso)<\/span><\/strong><\/p>\n Ouro:<\/span><\/p>\n Os exemplos a seguir mostram como usar esta fun\u00e7\u00e3o na pr\u00e1tica.<\/span><\/p>\n Suponha que temos o seguinte DataFrame do pandas:<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o pd.get_dummies()<\/strong> para transformar o g\u00eanero em uma vari\u00e1vel fict\u00edcia:<\/span><\/p>\n A coluna de g\u00eanero agora \u00e9 uma vari\u00e1vel fict\u00edcia onde:<\/span><\/p>\n Suponha que temos o seguinte DataFrame do pandas:<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o pd.get_dummies()<\/strong> para converter g\u00eanero e faculdade em vari\u00e1veis fict\u00edcias:<\/span><\/p>\n A coluna de g\u00eanero agora \u00e9 uma vari\u00e1vel fict\u00edcia onde:<\/span><\/p>\n E a coluna da faculdade agora \u00e9 uma vari\u00e1vel fict\u00edcia onde:<\/span><\/p>\n Como usar vari\u00e1veis fict\u00edcias na an\u00e1lise de regress\u00e3o<\/a> Muitas vezes, nas estat\u00edsticas, os conjuntos de dados com os quais trabalhamos incluem vari\u00e1veis categ\u00f3ricas . Estas s\u00e3o vari\u00e1veis que levam nomes ou r\u00f3tulos. Exemplos incluem: Estado civil (\u201ccasado\u201d, \u201csolteiro\u201d, \u201cdivorciado\u201d) Status de tabagismo (\u201cfumante\u201d, \u201cn\u00e3o fumante\u201d) Cor dos olhos (\u201cazul\u201d, \u201cverde\u201d, \u201cavel\u00e3\u201d) N\u00edvel de escolaridade (por exemplo, \u201censino m\u00e9dio\u201d, \u201cbacharelado\u201d, \u201cmestrado\u201d) Ao ajustar algoritmos […]<\/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-1783","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannequin2.png\")
<\/p>\n Como criar vari\u00e1veis fict\u00edcias no Pandas<\/strong><\/span><\/h3>\n
\n
Exemplo 1: Crie uma \u00fanica vari\u00e1vel fict\u00edcia<\/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
Exemplo 2: Crie m\u00faltiplas vari\u00e1veis fict\u00edcias<\/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
Recursos adicionais<\/strong><\/span><\/h3>\n
Qual \u00e9 a armadilha da vari\u00e1vel fict\u00edcia?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"