如何为一组具有相似类别的列生成一个热编码数据

Question

我从网上收集了一堆数据，试图预测体育比赛的结果！但是，现在我发现自己困惑于如何为培训准备数据集。基本上，我有一个DataFrame，它看起来如下所示，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)将是HTR(3类:d-平局，A-客场赢，H-主场赢)。但是在培训之前，由于我需要准备数据集，我认为我需要使用一种热编码来将列HomeTeam、AwayTeam、HomePlayStyle、AwayPlayStyle更改为零和1。不过，我对这种做法有几点怀疑：

1. HomePlayStyle和AwayPlayStyle有相似的类别，当我使用一种热编码时，相同的游戏风格(示例中的第三个示例)是创建两列，但在技术上它们是相同的。这会影响我的成绩吗？或者我应该尝试将它们合并，还是有办法绕过这个问题？当然，这两列中甚至都有4-2-3-1，但是pd.get_dummies()创建了2列，
2. 和HomeTeam和AwayTeam列(我在不同的数字列中有这些球队的一些时间统计数据，但我认为我需要在训练期间将团队名称保存在数据集中)，我应该对它们进行一次热编码吗？尽管为同一支球队创造了两列(例如HomeTeam_Arsenal和AwayTeam_Arsenal)，但我认为这里有一个优势，因为在主场比赛与客场比赛有很大的不同。所以这不应该是个问题！我是不是做了正确的假设？我甚至需要对这些列集进行一次热编码吗？

任何想法都会很感激的。

编辑: 3.我如何确保我的算法实现了HomePlayStyle_4-2-3-1(在得到假人之后)实际上表示的是HomeTeam而不是AwayTeam？是否存在连接列这样的东西，这样我就可以知道哪些列属于HomeTeam，哪些属于AwayTeam。

Answer 1

在CrossValidate之前，你问题的理论部分似乎更合适，所以我将简要地谈谈这个问题。至于一种热编码，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)

这将为格式为{column_name}_{column_value}的每个列中的每个可能的值创建一个列，因此您将得到类似于HomeTeam_Arsenal的列。

变量的问题取决于您正在考虑使用的模型类型。多元共线性可能是Logistic回归中的一个问题，但在随机森林中的问题可能不多。而且，永远不要忘记，商业知识是非常重要的，所以如果你知道球队在主场或客场比赛时的胜率不同，那么你应该把这一点包括在你的模型中。如果您不确定，那么测试这两个选项。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。