我的数据集由 3000 行和 50 列组成，其中一列（ESTIMATE_FAMILY_CONTRIBUTION）包含所有数值（大约 2000 个不同的值，如 20、30、32 ....），但有一个值作为字符串，例如'No_information'。
当我为功能(pd.get_dummies())
创建假人（One-Hot Encoded）时，会为原始列创建大约 2000 个新列，即 ESTIMATE_FAMILY_CONTRIBUTION。
我想要的是只创建两列，一列用于“No_information”，另一列包含所有数值。我该怎么做？
仅用于列中字符值的虚拟变量（忽略浮点数和整数）
数据挖掘
逻辑回归
虚拟变量
2022-02-19 14:56:56
1个回答
对于 3000 个数据集，您有 2000 个不同的值可用。我认为您不应该将其视为分类列。
将“No_information”视为 NaN，并使用与其他列的关系使用最合适的策略进行估算
编辑帖子评论
如果您想将其视为分类，我会建议
- 创建值的“箱” ，例如 <50- 非常低、50-500 - 中等等
- 然后创建 One-Hot 编码数据
- 也使用这种方法，“No_information "应该被视为 NaN。原因是当信息不可用时，它可能是任何东西，即低、高、中。将其视为第四个值将具有较少的信息。
- 尝试不同的垃圾箱/方法，看看哪个产生最好的结果
处理分类特征的高基数- 使用
“编码具有非常高基数
的特征”搜索互联网/SE 。这是一个已知的挑战，您将获得大量资源。
- 尝试其他编码方法。查看这些链接 -
超越 OHE图书馆kaggle 帖子