Python 建模中的字符串变量

只是想听听大家对字符串变量建模的想法。 假设一个

dataframe

（

df

），其字符串变量（Sex）编码为（'M'或'F'）。 即使

df['Sex']

是一个分类变量，尝试拟合考克斯模型也会产生错误：

df['Sex']=df['Sex'].astype('category)
cph = CoxPHFitter()
cph.fit(df, duration_col='time', event_col='event')

这将产生一个错误，这是可以理解的

ValueError: could not convert string to float: 'M'

通过使用以下几种方法之一将“Sex”编码为0,1，可以很容易地对其进行排序，例如：

df['Sex2']=df['Sex'].replace({'F':1, 'M':0})

然后使用新的柱来拟合模型，这将平稳运行。 然而。。。 问题（相当不方便）是，您需要对所有字符串变量重复此过程，并且如果您有许多变量，那么在查看cox.plot（）时，就很难记住哪个是引用变量，因为您需要返回代码以记住如何对每个变量进行编码

来自其他统计平台（R和SAS），我确实觉得这有点不方便，R和SAS都可以在模型中管理字符串变量而不会出现问题。SAS还可以标记列内容，使其在最终输出中更具可读性。

---

有没有关于如何避免这种情况的想法或建议？

所以这里的问题是你不想重复编码过程，对吗

您可以尝试对数据帧中的所有分类列使用sklearn的one hot编码。请阅读此处的文档：

---

此外，这里还有一个用于两个或更多列的示例：

Thank@Snedecor，这非常有用，但这只是问题的一半。假设您有一个可变颜色编码为“白、红、绿”。要将该变量包括在分析中，需要将其编码为0,1,2。如果随后生成一个cox.plot来显示危险比，那么该图将显示三个等级，一个参考（0）和两个附加等级（1,2），或者将它们编码为虚拟变量。很难直接从图中看出哪个数字对应不同的颜色，您需要重新标记图以理解它。有办法解决这个问题吗？