Pandas で get_dummies() 関数を使うと「カテゴリ変数」を「ダミー変数」に変換できる．「カテゴリ変数」とは，例えば「血液型」や「職業」など，限られた選択肢の中から選んだ値で，ENUM 型のようなイメージをするとわかりやすい💡分析業務を前提に考えると A や B や AB など，文字列のままだと計算しにくく，機械学習などの前処理として数値にエンコーディングする必要がある．そこで get_dummies() 関数を使う．今回は get_dummies() 関数の基本的な操作を試す．
データセット 🏷
今回の検証では，GitHub リポジトリ chendaniely/pandas_for_everyone に含まれているデータセット gapminder.tsv を使う．これは「国名 / 大陸名 / 平均余命などをまとめたデータセット」となり，1700 行程度含まれている．あくまでサンプルとして使う．GitHub リポジトリ jennybc/gapminder には Gapminder の公式データも載っている．
gapminder = pd.read_csv('./gapminder.tsv', delimiter='\t') gapminder
get_dummies() 関数を使う 🏷
get_dummies() 関数の引数に DataFrame を指定する．デフォルトでは「文字列」など dtype が object の全てのカラムを「ダミー変数」に変換する．スクリーンショットには一部しか表示されていないけど country と continent が変換対象となる．具体的には country の値によって，新しいカラム country_Afghanistan や country_Albania が追加されていて，それぞれの値は 0 と 1 になっている．なお，このように「N 個の値」に対して「N 個のカラム」を追加する方法を「One-Hot エンコーディング」と言う．
country_Afghanistancountry_Albaniacountry_Algeriacountry_Angolacountry_Argentina- etc
pd.get_dummies(gapminder).head(20)
columns パラメータを使う 🏷
get_dummies() 関数に columns パラメータを指定すると「ダミー変数」に変換するカラムを指定できる．今回は continent を指定した．すると country はそのままとなり，新しいカラム continent_Africa や continent_Americas が追加された．
continent_Africacontinent_Americascontinent_Asiacontinent_Europecontinent_Oceania
pd.get_dummies(gapminder, columns=['continent']).head(20)
prefix_sep パラメータを使う 🏷
country_Afghanistan や continent_Africa など，デフォルトでは _ をセパレータとして新しいカラムが追加される．そこで prefix_sep パラメータを指定すると任意のセパレータに変更できる．今回はサンプルとして prefix_sep='/' とした．すると continent/Africa や continent/Americas など，期待通りにセパレータを変更できた．
pd.get_dummies(gapminder, columns=['continent'], prefix_sep='/').head(20)
dummy_na パラメータを使う 🏷
get_dummies() 関数はデフォルトでは NaN を無視する．そこで dummy_na パラメータに True を指定すると continent/nan のように NaN も値として変換される．
pd.get_dummies(gapminder, columns=['continent'], prefix_sep='/', dummy_na=True).head(20)
まとめ 🏷
Pandas で「カテゴリ変数」を「ダミー変数」に変換する get_dummies() 関数を試した．値によって新しいカラムを追加する「One-Hot エンコーディング」を簡単に実現できた．試せば試すほど Pandas の機能の豊富さに驚かされる．引き続き学んでいくぞ👍
