python - `pd.Categorical(content).codes` VS `pd.get_dummies()` 或 `onehotencoder`

Question

我有一些疑问，据我所知，我们必须始终对分类列进行编码，以使我们的 ML 算法有效。

大多数时候我pd.get_dummies(column, drop_first=True)用来避免多重共线性。

或onehotencoder()。

但是我在一个包含许多分类列的相当大的数据集中进行练习，在完成之后pd.get_dummies(column, drop_first=True)，我总共得到了 7000 多列和一个 7GB 大小的 csv 文件。当我使用 ML 算法来拟合训练集时，我的 google colab 崩溃了。

我看到还有其他编码选择/方法，例如pd.Categorical(content).codes，它不会创建二进制列，但它会为分类列中的唯一标签分配唯一编号。例如汽车：所有红色将被分配 1，蓝色将被分配 2，绿色 .. 等等。

哪个更好用？

它会产生任何问题吗？像多重共线性或完美预测？

标签： pythonpandasdataframeencodingdata-science