我有一个面板数据集。我的因变量是总成本，我的几乎所有自变量都是分类变量。例如，年龄是“旧”、“新”。现在我有一些问题。
我应该对所有这些都使用假人吗？例如，只有类型变量本身有 33 个值，或者我可以使用聚类并减少它们？或任何其他方式，如果你知道）
具有等级的分类变量之间的行为是否存在差异？例如类型是“A”、“B”、...“S”，所以 A 和 B 之间没有等级，但质量是“A1”、“A2”、“A3”，其中 A1 表示最高质量。
我不知道为什么，我找不到关于变量选择和准备数据的足够信息。所以现在我有很多变量，我认为我应该在它们之间进行选择，并减少假人的数量。
您应该将分类变量转换为虚拟变量。通常，对于每个单独的变量，您希望每个类的元素数量相等，或者至少数字应该接近。如果没有，您可以将较小的类聚集成一个更大的类。例如，假设您有一个包含 5 个不同类别的分类变量。您希望每个类大约占数据的 %20。如果不是，您可以定义一个新类，它结合了较小的类，使每个类大致相等。
对于第二部分，如果您实际上可以量化 A1 比 A2 好多少，或者能够根据一些启发式为它们分配一个相对值；您可以将它们转换为数值变量。
您可以在此笔记本中找到一个示例（标题为“聚合分类变量”的部分）。它来自edX 上的“机器学习原理：R 版”课程。您可以在审核模式下免费观看视频；笔记本在 github 上。
对于数据集中有 33 个变量的问题，请为这些变量执行 value_counts。
如果您觉得下降时的值不是很多，因此不应给它们一个类别，您可以给它们一个“其他”类别。恢复到下图，看看这是如何发生的。
您可以将 nlargest 的参数从 4 调整为您认为合适的任何值。
如果您想找出分类变量和目标变量之间的区别，请使用 seaborn 之类的库执行 EDA
导入 seaborn 作为 sns sns.factorplot('categorical_variable_column_name','target_column_name', data=dataframe)
如果您没有 seaborn 库或只想快速获得结果，请使用聚合函数，例如：
dataframe.groupby(['categorcategorical_variable_column_name'])['target_column_name'].mean()
如果您发现某些变量的值高于其他变量（例如 A1>A2>A3 等），您可以按该顺序本身分配数值
数据框['categorical_column_name'].str.replace(['A1','A2','A3'],[30,20,10])
您可以为所涉及的其余变量创建虚拟变量，但我仍然建议您使用循环替换，如果变量数量很大，例如 A1,A2 ... A33 而不是 get_dummies，因为使用 get 虚拟变量，您会得到非常您的模型可能无法从中学到很多东西的稀疏列。