Patsy 中的 One-hot 编码

对于回归，我通常使用 sklearn 对分类变量进行编码OneHotEncoder http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html.

我现在正在探索使用 patsy，但它似乎不提供 One-hot 编码：http://patsy.readthedocs.io/en/latest/categorical-coding.html http://patsy.readthedocs.io/en/latest/categorical-coding.html

是否可以使用 patsy 指定 One-hot 编码？

这里需要了解两件事可能会有所帮助：(1) patsy 默认情况下包含拦截（有一个不可见的拦截）1 +在每个公式的开头），以及（2）在对分类值进行编码时，patsy 自动选择一种编码策略，以避免创建过度参数化的模型。

如果将截距 + 全秩 one-hot 编码结合起来，那么您将得到一个过度参数化的模型。因此 Patsy 切换到处理编码（= 基本上从您正在考虑的 one-hot 编码中删除一列）。这可以避免在编码列和截距列之间产生线性相关性。

避免这种情况的一个简单方法是删除截距——然后 patsy 就不会担心线性依赖性，并且将使用您期望的那种 one-hot 编码：y ~ -1 + a (the -1抵消掉不可见的1删除拦截）。

或者，如果您确实想要一个过度参数化的模型，那么如果您在链接到的文档页面上进一步向下滚动，它会告诉您如何定义任意自定义编码方案。

import numpy as np
from patsy import ContrastMatrix

class FullRankOneHot(object):
    def __init__(self, reference=0):
        self.reference = reference

    # Called to generate a full-rank encoding
    def code_with_intercept(self, levels):
        return ContrastMatrix(np.eye(len(levels)),
                              ["[My.%s]" % (level,) for level in levels])

    # Called to generate a non-full-rank encoding. But we don't care,
    # we do what we want, and return a full-rank encoding anyway.
    # Take that, patsy.
    def code_without_intercept(self, levels):
        return self.code_with_intercept(levels)

然后你可以像这样使用它：y ~ 1 + C(a, FullRankOneHot).