1) Usingdrop_first=True在统计中更常见，通常被称为“虚拟编码”，而 usingdrop_first=False为您提供“一个热编码”，这在 ML 中更常见。对于像随机森林这样的算法方法，它没有任何区别。另请参阅“Python 机器学习简介”；穆勒，圭多；2016 年：

我们使用的 one-hot 编码与统计中使用的虚拟编码非常相似，但并不完全相同。为简单起见，我们使用不同的二进制特征对每个类别进行编码。在统计学中，通常将具有 k 个不同可能值的分类特征编码为 k-1 个特征（最后一个表示为全零）。这样做是为了简化分析（从技术上讲，这将避免使数据矩阵秩不足）。

但是，对二进制变量使用虚拟编码并不意味着 a0没有相关性。Ifgender_male具有很高的重要性，通常不会说明gender_male==0vs的重要性gender_male==1。它是变量重要性，因此按变量计算。例如，如果您在 Trees 中使用基于杂质的估计，它只会为您提供通过拆分这个非常变量而实现的杂质平均减少量。

此外，如果您的性别变量是二进制的，gender_male==1则相当于gender_female==0. 因此，从你的高度可变重要性gender_male不能推断出女性（或不是）是不相关的。

2）在这种情况下gender_male==0 AND gender_female==0意味着跨性别是真实的。

3) 见 1)。对于 ML 中的算法方法，使用 one-hot-encoding 没有统计上的缺点。（正如评论中指出的那样，它甚至可能是有利的，因为基于树的模型可以在没有被丢弃的情况下直接拆分所有特征）