Apache spark 为什么Spark'；s OneHotEncoder是否默认删除最后一个类别？

我想了解Spark的OneHotEncoder默认删除最后一个类别背后的合理性

例如：

>>> fd = spark.createDataFrame( [(1.0, "a"), (1.5, "a"), (10.0, "b"), (3.2, "c")], ["x","c"])
>>> ss = StringIndexer(inputCol="c",outputCol="c_idx")
>>> ff = ss.fit(fd).transform(fd)
>>> ff.show()
+----+---+-----+
|   x|  c|c_idx|
+----+---+-----+
| 1.0|  a|  0.0|
| 1.5|  a|  0.0|
|10.0|  b|  1.0|
| 3.2|  c|  2.0|
+----+---+-----+

默认情况下，OneHotEncoder将删除最后一个类别：

>>> oe = OneHotEncoder(inputCol="c_idx",outputCol="c_idx_vec")
>>> fe = oe.transform(ff)
>>> fe.show()
+----+---+-----+-------------+
|   x|  c|c_idx|    c_idx_vec|
+----+---+-----+-------------+
| 1.0|  a|  0.0|(2,[0],[1.0])|
| 1.5|  a|  0.0|(2,[0],[1.0])|
|10.0|  b|  1.0|(2,[1],[1.0])|
| 3.2|  c|  2.0|    (2,[],[])|
+----+---+-----+-------------+

当然，这种行为可以改变：

>>> oe.setDropLast(False)
>>> fl = oe.transform(ff)
>>> fl.show()
+----+---+-----+-------------+
|   x|  c|c_idx|    c_idx_vec|
+----+---+-----+-------------+
| 1.0|  a|  0.0|(3,[0],[1.0])|
| 1.5|  a|  0.0|(3,[0],[1.0])|
|10.0|  b|  1.0|(3,[1],[1.0])|
| 3.2|  c|  2.0|(3,[2],[1.0])|
+----+---+-----+-------------+

问题：：

• 在什么情况下，默认行为是可取的
• 盲目调用

  setdLoast（False）

  ，可能会忽略哪些问题
• 作者在文档中的以下陈述是什么意思

默认情况下不包括最后一个类别（可通过dropLast配置），因为它使向量条目的总和为一，因此线性相关

---

根据文档，保持列的独立性：

将一列类别索引映射到一列的单热编码器 对于二进制向量，每行最多有一个值 指示输入类别索引。例如，对于5个类别，一个 输入值2.0将映射到输出向量[0.0,0.0,1.0， 0.0]. 默认情况下不包括最后一个类别（可通过OneHotEncoder！.dropLast配置），因为它使向量项的总和为 因此，输入值4.0映射到 [0.0,0.0,0.0,0.0]。请注意，这与scikit learn的不同 OneHotEncoder，保存所有类别。输出向量为 稀疏的

---

我建议您搜索有关

伪变量陷阱（和线性回归）的文献/文章@Aeck谢谢！如果有人愿意写一点关于虚拟变量的文章，那么虚拟变量陷阱似乎就是这个问题的答案…@Corey讲述了一个问题，当时我甚至不知道删除最后一个类别是一件事，对此我感到困惑。发布并回答了一个关于虚拟变量的问题，其中包括更多关于虚拟变量的内容这里的陷阱（DVT）：但基本上，…删除最后一个cat。这样做是为了避免DVT，其中一个输入变量可以从其他变量中预测（例如，当一个编码
[isBoy]
会给出相同的信息时，不需要1热编码
[isBoy]
），DVT的解决方案是删除一个（不一定是最后一个）对于cat.variables.Haha，这是最不懒惰和最不愿意写东西的一个例子。如果有人查找这个答案，这里有更多的信息。分类功能会导致有效的截取。如果你包含一个通用截取项，那么最小值可以加上例如0.5到截取和-0.5到所有类别，以获得相同的v成本函数的值。为避免这种退化，请删除截距并包含所有类别。此外，对于Scala api，请使用
。setFitIntercept（false）
在逻辑回归分类器上删除截取，包括所有类别！因此，您通过引用问题中已经存在的同一段文本来回答问题。@Corey，我认为主要内容应该是“注意这一点”.为了安全起见，我建议在选型阶段考虑这一点。