您要查找的内容称为虚拟变量，它们将您的分类数据转换为矩阵，如果该人属于某个类别，则该列为 1，否则为 0。

变量 ID 不可转换，因为您不希望您的模型过度拟合您的 ID 数据（意思是：您不希望您的模型记住每个 ID 的结果，您希望您的模型是通用的）。

import pandas as pd
dataset2 = pd.get_dummies(dataset)

对于分类特征的编码，有两种常见的方式：

序数编码器

这就是您提到的“编码为整数”的方式。在这种方法中，从 0 开始的整数被分配给每个类别。这种方法的问题是它随机地对类别进行优先级排序。因此，在类别之间没有优先级的情况下，正如您提到的，这种编码是没有意义的。唯一有效的情况是为某些类别分配更大的整数是有意义的。

一热编码器

该方法为每个类别特征制作一个与类别数量相同大小的特征向量（one-hot vector）。该方法将向量的每个分量分配给一个类别。对于每个数据样本，它为样本中存在其对应类别的组件分配 1，并为其他组件分配 0。这种方法的好处是，与序数编码器不同，它不优先考虑任何类别。

因此，在您的情况下，我强烈建议您使用 one-hot 编码器。

处理分类输入的一种可能性是引入类别输入向量。观察的类别输入向量由下式给出$\boldsymbol{t}$$n^{\text{th}}$

$\boldsymbol{t}_n=[t_{1n}, t_{2n},...,t_{Kn}],$其中为类别数。如果连续输入向量属于类别，则对于和对于。$K$$\boldsymbol{x}_n$$k$$t_{1i}=1$$i=k$$t_{1i}=0$$i\neq k$

这种类型的编码称为分类热编码。

正如其他人所说，虚拟变量是一种方法。另一种方法是从具有该属性的人群中进行定量统计。例如，您可以创建一个“婚姻状况平均值”列，并使用与该主题具有相同婚姻状况的人中目标变量的平均值填充它。

如果您使用的是树方法，只需将整数分配给每个类别即可近似虚拟变量，尤其是在只有几个类别的情况下。例如，如果婚姻状况的唯一类别是已婚、单身、离婚和丧偶，并且您分别为它们分配 0、1、2、3，那么唯一可能的拆分是已婚与其他一切、丧偶与其他一切，或已婚/单身与离婚/丧偶。因此，三分之二的拆分实际上是虚拟变量，一旦您再次拆分该变量，最后一个拆分将变成虚拟变量。