您不应保留该列，因为相似的 id 值在语义上不相关。也许深度神经网络可以处理这个问题，但线性模型绝对不能。

有两个选项，具体取决于列的基数（唯一条目/类别的数量）。

1. 如果基数很低，你应该对系列进行一次热编码，每个系列一列，就像你建议的那样。但是，在您的数据集中，可能有很多系列，您的数据最终会包含太多的特征。请参阅此图像（来源），如果您进行一次热编码，则每个类别都需要一列/特征。

2. 如果基数很高，您应该找到 id 列的编码。一种方法是使用目标统计数据：计算一个系列电影为训练集的每个系列类别制作的平均目标（在您的情况下为收入）。然后将 id 列替换为相应系列的目标均值列。如果测试数据中有一个序列，而不是在训练数据中，则只需使用训练集的整体目标均值即可。对于这种方法，重要的是您永远不要使用从测试集计算的目标统计信息，否则，您的错误估计将非常乐观！这种方法背后的基本原理是，允许模型学习诸如“成功电影的延续通常是成功的”之类的东西。

是的，为每个 ID 创建一个“虚拟”（或指标）变量 (1,0)。这有时被称为“固定效应”，表示每个 ID（在本例中为电影系列）的“身份”。因此，可以预期《星球大战》将产生与其他电影截然不同的收入。在线性模型中，假人将简单地为每个 ID 引入一个自己的截距系数。所以你可以认为这让《星球大战》在结构上与其他电影系列有着不同的营业额。

有许多选项可以对 DF 中的单列进行虚拟编码，因此使用虚拟/指标没有问题。例如model.matrix用于R：

mydf = data.frame(c(1,1,2,2))
colnames(mydf)<-c("X1")
mydf$X1 <- as.factor(mydf$X1)
mydf

mymat = model.matrix(~ X1 -1 , data=mydf)
mymat

这将重新编码mydf

  X1
1  1
2  1
3  2
4  2

看起来像：

  X11 X12
1   1   0
2   1   0
3   0   1
4   0   1

很容易说明“假人”如何在线性回归中工作。假设您的模型看起来像（省略下标$i$为了方便）：

$$y = \beta_0 + \beta_1 x + u,$$

在哪里$\beta_0$是截距，$x$是一个连续特征，并且$u$是误差项。如果您有两个“ID”（例如 Star Wars 是或否），则在 Star Wars 时引入一个附加变量 =1，否则为 =0。称这个向量$I$.

现在你的模型看起来像：

$$y = \beta_0 + \beta_1 x + \beta_2 I + u.$$

当你预测一部非星球大战电影时（$I=0$) 你会这样做：

$$\hat{y} = \hat{\beta_0} + x * \hat{\beta_1} + 0 * \hat{\beta_2}.$$

如果是星球大战电影，你会这样做：

$$\hat{y} = \hat{\beta_0} + x * \hat{\beta_1} + 1 * \hat{\beta_2}.$$

所以在这种情况下，截距项是$\hat{\beta_0} + \hat{\beta_2}$和$\hat{\beta_2}$在这个简单的插图中，这正是《星球大战》与其他电影的不同之处。