如何为一组具有类似类别的列生成一个热编码数据

Question

我从互联网上收集了大量数据，试图预测一项运动的结果！但是，现在我发现自己对如何为培训准备数据集感到困惑。基本上，我有一个如下所示的数据框架，当然还有更多的列

            HomeTeam    AwayTeam       HTR   HF      AF  HomePlayStyle  AwayPlayStyle
Date                            
2014-08-16  Arsenal     Crystal Palace  D   13.0    19.0    4-1-4-1         4-2-3-1
2014-08-16  Leicester   Everton         A   16.0    10.0    4-4-2 double 6  4-2-3-1
2014-08-16  Man United  Swansea         A   14.0    20.0    3-5-2           3-5-2
2014-08-16  QPR         Hull City       D   10.0    10.0    5-3-2           5-4-1
2014-08-16  Stoke City  Aston Villa     D   14.0    9.0     4-2-3-1        4-3-3 Attacking

我的因变量（我需要预测的）是HTR（3类：D-Draw、A-A级客场胜利、H-Home胜利）。但是在培训之前，因为我需要准备数据集，我相信我需要使用一个热编码将列[HomeTeam、AwayTeam、HomePlayStyle、AwayPlayStyle]更改为0和1。但是，我对该方法有一些疑问：

1. HomePlayStyle和AwayPlayStyle具有相似的类别，当我使用一个热编码时，相同的playstyle（3-5-2，示例中的第三个示例）创建了两个列，但技术上它们是相同的。这会影响我的结果吗？或者我应该尝试合并它们，还是有办法绕过这个问题？当然，两列中都有4-2-3-1，但是pd.get_dummies（）会创建两列

2. 对于HomeTeam和AwayTeam列（我在不同的数字列中有这些团队的一些临时统计数据，但我认为我需要在训练期间将团队名称保留在数据集中），我应该对它们进行热编码吗？尽管为同一支球队创建了两个专栏（例如，主场阿森纳和客场阿森纳），但我认为这是一个优势，因为主场比赛与客场比赛截然不同。所以这不应该是个问题！我的假设正确吗？我甚至需要对这些列进行热编码吗

任何想法都将不胜感激

编辑： 3.我如何确保我的算法意识到HomePlayStyle_4-2-3-1（在得到假人后）实际上代表的是主队而不是Awaytam？有没有连接列这样的东西，这样我就可以知道哪一组列属于HomeTeam，哪一组属于AwayTeam

Answer 1

你问题的理论部分似乎更适合你，所以我将简要地谈谈这个问题。关于一个热编码，对我来说最简单的方法是通过熊猫：

categorical_cols = ['HomeTeam', 'AwayTeam', 'HomePlayStyle', 'AwayPlayStyle']
X = pd.get_dummies(df, columns=categorical_cols)

这将使用{column_name}_{column_value}格式为这些列中的每一个可能值创建一列，因此可以得到类似HomeTeam_Arsenal的列

变量的问题取决于您考虑使用的模型类型。多重共线性在逻辑回归中可能是一个问题，但在随机森林中就不是这样了。另外，永远不要忘记商业知识非常重要，所以如果你知道球队在主场或客场比赛中的胜率不同，那么，你应该在你的模型中包括这一点。如果您不确定，则测试这两个选项。机器学习是一个非常迭代的过程，所以不要害怕尝试许多选项