根据您正在处理的问题，这些变量可能非常重要。有关问题设置的更多信息会很好。但是让我们假设，例如，您试图预测员工的平均收入（您的样本由特定公司的一群员工组成），而不是您可能希望将区域代码转换为虚拟变量。这使得评估工资是否取决于员工居住的地区成为可能。

根据 id 的格式，其中可能隐藏了一些信息。如果 id 是从员工数据库中提取的，那么它们可能包含有关员工开始在公司工作的日期的信息。一些创造力在这里发挥作用，但是当偶然发现这些变量时，寻找更多细节和选择总是值得的。

总之，当你开始处理一个新问题时，不要过多地查看变量的数据类型。探索数据并尝试理解变量的性质（名义、分类、区间等）。让你的创造力蓬勃发展，我相信你会玩得很开心:-)。

这取决于问题和数据。通常，在黑客马拉松中，您的数据中至少有数千个 id 和数百个区域代码，您的任务是在一个数据集上进行训练，并在另一个数据集上预测现有区域中的新客户。

在这种情况下，您可以排除 id 列。其他分类变量，如地区、年龄组、种族等，通常是相关的。区域代码可以用作分类变量，但它取决于区域的数量。如果您的数据中有数百个区域代码，请将这些代码映射到更大的区域。例如，假设您的数据包含所有美国县的区域代码。最简单的方法是将每个县映射到其各自的联邦州，并使用州而不是县。