使用“statsmodels”指定要作为基础的类别

Question

我知道当我在模型中使用一个类别变量并将其传递给statsmodels的fit函数时，会自动生成针对类别的虚拟变量。例如，如果我有一个变量'Location'，它的值为'IndianOcean'，'Thailand'，'China'和'Mars'，那么我的模型中将会生成形式如下的变量：

Location[T.Thailand]

某个值没有被表示出来。默认情况下，排除的变量似乎是最不常见的变量。是否有一种方法可以指定——理想情况下在模型规范中——哪个值被视为“基准值”并被排除？

- orome

---

似乎在公式中使用 C（例如 ... + C(Location, Treatment) + ...）可以解决问题，但这会导致一些相当丑陋的类别名称，我想避免。 - orome

我不理解这个。如果你想让“印度洋”作为变量“位置”的参考类别，你会写例如C（Location，“IndianOcean”）吗？ - Rasmus Larsen

Answer 1

您可以使用类似以下语法将一个reference参数传递给Treatment对比： "y ~ C(Location, Treatment(reference='China'))" 如果您有更好的命名约定建议，请向patsy提出问题。

详情请参阅：http://patsy.readthedocs.org/en/latest/API-reference.html#patsy.Treatment

- jseabold

---

明确一点，语法是 "y ~ C(Location, Treatment(reference='China'))" 。 - Piotr Migdal

@PiotrMigdal 谢谢你的澄清。我希望原始答案实际上包含代码。 - istewart

"y ~ C(Location, Treatment('China'))" 也能起作用。 - steven

@jseabold，我在执行上述两种方法时遇到了PatsyError：评估因子时出错：TypeError：'Series'对象不可调用的错误。你有什么想法吗？ - Nayana Madhu

我也遇到了这个问题。"TypeError: 'Series'对象不可调用"。 - undefined

Answer 2

如果您使用单引号来包装字符串，则引用的参数需要用双引号包装。这是一个很容易犯的错误。我曾经在两个地方都使用了单引号。

例如：

'y ~ C(Location, Treatment(reference="China"))'

是正确的。

'y ~ C(Location, Treatment(reference='China'))'

不正确。

- vicpal

Answer 3

好的，也许有人会发现这篇文章有用。我需要为因变量设置一个新的基准类别，但我不知道如何做。我搜索了很多内容，但没有找到答案，所以我只是在其他类别后面加了一个下划线"_",如果你有三个类别A，B，C，并且你想让基准类别为C，你只需要将标签从A和B改为_A和_B。它有效果。似乎基准类别由sorted()定义。

也许有人知道正确的方法，这种方法并不是很Pythonic，呵呵。

- Marcelo