Создание манекенов из столбца с несколькими значениями в pandas

Я ищу питонический способ справиться со следующей проблемой.

на pandas.get_dummies() метод отлично подходит для создания манекенов из категориального столбца фрейма данных. Например, если столбец имеет значения в ['A', 'B'], get_dummies() создает 2 фиктивные переменные и присваивает 0 или 1 соответственно.

теперь мне нужно разобраться с этой ситуацией. Один столбец, назовем его 'label', имеет такие значения, как ['A', 'B', 'C', 'D', 'A*C', 'C*D'] . get_dummies() создает 6 манекенов, но я хочу только 4 из них, так что строка может быть несколько 1С.

есть ли способ обработать это в подходящие для Python способ? Я мог только думать о каком-то пошаговом алгоритме, чтобы получить его, но это не будет включать get_dummies(). Спасибо

редактировать, надеюсь, это более понятно!

23
categorical-data dummy-data pandas python

3 ответов

Я знаю, что прошло некоторое время с тех пор, как этот вопрос был задан, но есть (по крайней мере теперь есть) однострочный, который поддерживается документация:

In [4]: df
Out[4]:
      label
0  (a, c, e)
1     (a, d)
2       (b,)
3     (d, e)

In [5]: df['label'].str.join(sep='*').str.get_dummies(sep='*')
Out[5]:
   a  b  c  d  e
0  1  0  1  0  1
1  1  0  0  1  0
2  0  1  0  0  0
3  0  0  0  1  1
51

вы можете создать фрейм данных манекенов с необработанными данными, изолировать столбцы, содержащие данный атом, а затем сохранить совпадения результатов обратно в столбец atom.

df
Out[28]: 
  label
0     A
1     B
2     C
3     D
4   A*C
5   C*D

dummies = pd.get_dummies(df['label'])

atom_col = [c for c in dummies.columns if '*' not in c]

for col in atom_col:
    ...:     df[col] = dummies[[c for c in dummies.columns if col in c]].sum(axis=1)
    ...:     

df
Out[32]: 
  label  A  B  C  D
0     A  1  0  0  0
1     B  0  1  0  0
2     C  0  0  1  0
3     D  0  0  0  1
4   A*C  1  0  1  0
5   C*D  0  0  1  1
4

у меня есть несколько чистых решений. Предположим, мы хотим преобразовать следующий dataframe

   pageid category
0       0        a
1       0        b
2       1        a
3       1        c

на

        a  b  c
pageid         
0       1  1  0
1       1  0  1

один из способов сделать это-использовать Диктвекторизатор scikit-learn. Однако мне было бы интересно узнать о других методах.

df = pd.DataFrame(dict(pageid=[0, 0, 1, 1], category=['a', 'b', 'a', 'c']))

grouped = df.groupby('pageid').category.apply(lambda lst: tuple((k, 1) for k in lst))
category_dicts = [dict(tuples) for tuples in grouped]
v = sklearn.feature_extraction.DictVectorizer(sparse=False)
X = v.fit_transform(category_dicts)

pd.DataFrame(X, columns=v.get_feature_names(), index=grouped.index)
3