一、Dummy Variable定义

虚拟变量又称虚设变量、名义变量或哑变量，引入哑变量可使线形回归模型变得更复杂，但对问题描述更简明，一个方程能达到俩个方程的作用，而且接近现实。

例如：

1. 分离异常因素的影响，例如分析我国GDP的时间序列，必须考虑“文革”因素对国民经济的破坏性影响，剔除不可比的“文革”因素。 

2. 检验不同属性类型对因变量的作用，例如工资模型中的文化程度、季节对销售额的影响。 

3. 提高模型的精度，相当与将不同属性的样本合并，扩大了样本容量（增加了误差自由度，从而降低了误差方差）

二、编码方式

1、dummy encoding

dummy encoding就是把一个有h个level的变量变成h-1个变量，比如3个level的变量就表示成成10，01，或00。

python实现

pd.get_dummies( drop_first=False, dummy_na=True)，新增(h-1)个变量，可处理string类型数据（string 转换为 integers 类型）。

2、One-Hot Encoding

one-hot encoding就是用h个变量来代表这h个level，比如3个level的变量就表示成100，010，001。

python实现

pd.get_dummies( drop_first=True, dummy_na=True)，新增(h)个变量，可处理string类型数据。

sklearn.preprocessing.OneHotEncoder()，不可以直接处理 string。

3、DictVectorizer

将字典类型表示的属性，转换为向量类型。

python实现

#定义一组字典列表，用来表示多个数据样本（每个字典代表一个数据样本）

measurements = [{'city':'Beijing','country':'CN','temperature':33.},{'city':'London','country':'UK','temperature':12.},{'city':'San Fransisco','country':'USA','temperature':18.}]

#从sklearn.feature_extraction导入

DictVectorizerfrom sklearn.feature_extraction import DictVectorizervec = DictVectorizer()

#输出转化后的特征矩阵print vec.fit_transform(measurements).toarray()

#输出各个维度的特征含义print vec.get_feature_names()

output

'''

[[ 1. 0. 0. 1. 0. 0. 33.]

 [ 0. 1. 0. 0. 1. 0. 12.]

 [ 0. 0. 1. 0. 0. 1. 18.]]

['city=Dubai', 'city=London', 'city=San Fransisco', 'country=CN', 'country=UK', 'country=USA', 'temperature']

'''

PS：另一个有趣的例子

measurements = [

    {'city=Dubai': True, 'city=London': True, 'temperature': 33.},

    {'city=London': True, 'city=San Fransisco': True, 'temperature': 12.},

    {'city': 'San Fransisco', 'temperature': 18.},

]

vec.fit_transform(measurements).toarray()

output

array([[ 1., 1., 0., 33.],

          [  0.,  1.,  1.,  12.],

          [  0.,  0.,  1.,  18.]])