我是一名数据科学专业的学生，我已经开始使用一个开放的心理健康数据集。作为其中的一部分，我需要清理数据以便进行分析。
在这个数据集中，性别字段是一个可以输入任何内容的字符串。虽然清理大多数条目都相当简单（“f”、“F”、“female”、“cis female”和“woman”都可以编码为“F”），但我想知道的是如何正确处理 trans 或酷儿身份（例如，写有“跨性别女性”或“酷儿/她/他们”之类的词条）。
我应该为每个性别的跨性别条目创建一个新代码，还是应该只对它们进行编码，就好像它们是他们所识别的性别的成员一样？
我是否应该将它们完全从数据集中删除，因为它们可能会扭曲它？我记得读到过，跨性别者的精神疾病发病率比顺式者高得多。
在这方面我应该遵循任何最佳实践吗？
至少有两个一般性的考虑因素：
领域相关
如果某个属性可能在您的领域中具有预测能力，更具体地说，对于您的任务，您的模型可能会从直接编码中受益。例如：如果跨性别与不同的心理障碍相关，那么我会为此添加一个直接特征。这样，您的模型就更容易做出预测，因为它不需要首先结合两个特征（例如，不需要结合“出生时的性别”和“性别识别”来识别变性人（这不会甚至准确，因为“反式”是一个比sex at birth != gender identity)) 更广泛的术语。
此外，我会将相同的想法应用于其他特征工程问题。性对与精神障碍相关的许多任务具有预测能力，例如，因为情绪障碍在女性中更常见，反社会人格障碍在男性中更常见。然而，这些是否与出生时的性别或一个人所认同的性别有关，则是另一个问题。因此，如果您的假设是在您的任务中，一个人所认同的性别很重要，那么再一次，除了出生时的性别之外，将其包括在内是有意义的。
模型相关
不同的模型能够以不同的方式处理预测变量。例如，基于树的模型可以更轻松地使用两个单独的属性sex == female并trans == True隐式派生trans female == True. 然而，像神经网络这样的线性模型可能会从组合二元特征中受益female trans。
这是一个相当有趣的问题。我想你可以称之为“处理二进制语言中的非二进制性别角色”或类似的东西。
过去我做过一次类似的事情。我创建了 3 个功能：
所有这些特征都是二进制的，您可以将其编码为 0,1。你可以通过两者的结合来实现大部分的性状态，例如，出生性别=男性，性别认同=女性会给你一个跨性别者。sex_birth = 男，被吸引 = 男会给你一个男同性恋。
决策树应该能够区分信息并使用这种编码对其进行正确分类。
您还可以对所有特征进行笛卡尔积，然后以这种方式对其进行编码：
对此应用 one-hot 编码将为您提供 8 个功能，这些功能将包括高比例的案例。这种编码将允许树通过拆分来区分性别，并允许线性回归正确分配权重。
确实，这并不完全正确，您可以抱怨很多事情。但最后，在建模时，我们正在做近似，我们总是会遗漏一些东西。
如果你找到更好的东西，请告诉我。
当然，无需退出分析。您的分析应该能够按领域分类，即使您只是将它们分配到第三（或第四或...）类别。您将基本上比较女性：非女性，男性：非男性等；将它们保存在数据集中意味着在比较这些域时可以获得更好的结果。
您做出的决定在某种程度上取决于您在分析中回答的问题。你在问与性别认同有关的问题吗？您是否专注于特定的性别或性别？或者您是否正在探索您的数据并希望了解哪些因素很重要？
例如，如果您专注于一种性别认同，例如女性，那么您可以简单地将非顺式女性非顺式男性归类为第三（“其他”）类别。这不会为您提供有关跨性别或其他非顺性别个体的任何信息，但如果这对您的问题实际上并不重要，那么这是处理它们的最简单方法。
但是，如果您正在探索，并且正如您在问题中指出的那样，您知道这可能是一个重要因素，那么您应该将其分类 - 可能作为一个单独的变量。但是，请考虑在分配这些时如何执行分析；您可能仍希望将“跨性别女性”分配为单独的性别，具体取决于使您的分析更容易的原因（同时仍具有trans1/0 标志变量或cis1/0 标志变量或类似变量）。如果您没有任何计划基于所有女性（无论是跨性别/顺式/等）进行分析，那么在那里有一个单独的性别代码可能更容易分析，而不是必须包括跨性别/cis 在这些分析中标记变量。
这里的一些注意事项：
数据是如何收集的？
如果是自我报告，很可能大多数跨性别者只会简单地回答“男性”、“女性”或其他没有表明跨性别身份的同等词语。如果被别人举报，很可能记者往往不知道这个人是跨性别的。
如果您数据中的大多数跨性别男性与顺式男性无法区分，女性也同样如此，那么 - 暂时忽略非二元案例 - 您的分类选项是：
恕我直言，这两个中的第一个似乎显然更可取。它可能不是每个应用程序的最佳描述，但至少它的定义相当明确。替代方案只是模糊的。
你的决定真的会影响结果吗？
很可能没有足够的（可识别的）跨性别和非二元性别的人来获取有关“跨性别男性”、“跨性别女性”或“非二元性别的人”类别的任何有用数据。这些群体也很可能非常罕见，以至于它们不会对“男性”和“女性”等较大类别的整体统计数据产生重大影响，无论其定义如何。
如果您不是在谈论开源数据，我还会提出针对小群体的报告的隐私问题，但大概已经考虑过了。
分析的重点是什么？
如果您克服了上述考虑……性别和跨性别身份与您要了解的内容有何关系？这可能与您的决定有关。
我是否应该将它们完全从数据集中删除，因为它们可能会扭曲它？
与跨性别者相比，顺式人士可能对你的结果产生更大的影响。因此，我们是否应该因为害怕扭曲而将顺式人从分析中剔除？
跨性别者是人。如果你的目标是产生关于“人”的整体统计数据，那么跨性别者应该包括在这些统计数据中。如果某些跨性别者不寻常（以任何方式）并且这会影响统计数据，那么统计数据只是反映了某些人不寻常的事实。