pandas.get_dummies#

pandas.get_dummies(данные, префикс=None, prefix_sep='_', dummy_na=False, столбцы=None, разреженный=False, drop_first=False, dtype=None)[источник]#

Преобразовать категориальную переменную в фиктивные/индикаторные переменные.

Каждая переменная преобразуется в столько 0/1 переменных, сколько различных значений. Столбцы в выводе названы по значению; если входные данные — DataFrame, имя исходной переменной добавляется к значению.

Параметры:

данныеarray-like, Series или DataFrame: Данные, для которых получаются фиктивные индикаторы.
префиксstr, список str или dict из str, по умолчанию None: Строка для добавления к именам столбцов DataFrame. Передайте список длиной, равной количеству столбцов, при вызове get_dummies на DataFrame. Альтернативно, префикс может быть словарем, сопоставляющим имена столбцов с префиксами.
prefix_sepstr, по умолчанию '_': Если добавляется префикс, разделитель/разделитель для использования. Или передайте список или словарь, как с префикс.
dummy_nabool, по умолчанию False: Добавить столбец для указания NaN, если False, NaN игнорируются.
столбцыlist-like, по умолчанию None: Имена столбцов в DataFrame для кодирования. Если столбцы равно None, тогда все столбцы с object, string, или категория тип данных будет преобразован.
разреженныйbool, по умолчанию False: Должны ли фиктивно закодированные столбцы поддерживаться SparseArray (True) или обычный массив NumPy (False).
drop_firstbool, по умолчанию False: Получать ли k-1 фиктивных переменных из k категориальных уровней, удаляя первый уровень.
dtypeтип данных, по умолчанию bool: Тип данных для новых столбцов. Разрешен только один тип данных.

Возвращает:

DataFrame: Дамми-кодированные данные. Если данные содержит другие столбцы, кроме закодированных фиктивными переменными, они будут добавлены в начало результата без изменений.

Смотрите также

Series.str.get_dummies: Преобразовать Series строк в фиктивные коды.
from_dummies(): Преобразование фиктивных кодов в категориальные DataFrame.

Примечания

Ссылка руководство пользователя для дополнительных примеров.

Примеры

>>> s = pd.Series(list('abca'))

>>> pd.get_dummies(s)
       a      b      c
0   True  False  False
1  False   True  False
2  False  False   True
3   True  False  False

>>> s1 = ['a', 'b', np.nan]

>>> pd.get_dummies(s1)
       a      b
0   True  False
1  False   True
2  False  False

>>> pd.get_dummies(s1, dummy_na=True)
       a      b    NaN
0   True  False  False
1  False   True  False
2  False  False   True

>>> df = pd.DataFrame({'A': ['a', 'b', 'a'], 'B': ['b', 'a', 'c'],
...                    'C': [1, 2, 3]})

>>> pd.get_dummies(df, prefix=['col1', 'col2'])
   C  col1_a  col1_b  col2_a  col2_b  col2_c
0  1    True   False   False    True   False
1  2   False    True    True   False   False
2  3    True   False   False   False    True

>>> pd.get_dummies(pd.Series(list('abcaa')))
       a      b      c
 True  False  False
False   True  False
False  False   True
 True  False  False
 True  False  False

>>> pd.get_dummies(pd.Series(list('abcaa')), drop_first=True)
       b      c
False  False
 True  False
False   True
False  False
False  False

>>> pd.get_dummies(pd.Series(list('abc')), dtype=float)
     a    b    c
0  1.0  0.0  0.0
1  0.0  1.0  0.0
2  0.0  0.0  1.0