python - 用 Pandas 向量化多分类数据

Question

Hej，我正在尝试对属于多个类别的项目进行矢量化处理，并将它们放入 pandas 数据框中。我已经想出了一个解决方案，但它很慢。所以这就是我正在做的:

这就是我的数据的样子:

data = {
    'A':['c1','c2','c3'],
    'B':['c4','c5','c2'],
    'C':['c2','c1','c4']
}

我有三个项目 (A-C)，它们属于五个不同的类别 (c1-c5)。

所以我创建了一个空数据框，遍历项目将它们变成具有正确索引的 bool 系列对象并附加它们:

df = pd.SparseDataFrame()
for k, v in data.items():
    s = pd.Series(np.ones_like(v, dtype=bool), index=v, name=k)
    df = df.append(s)

我的结果是这样的:

Resulting Dataframe

我对这个结果很满意，但我的真实数据有大约 20 万个类别，这使得这种方法非常慢。您对如何加快速度有什么建议吗？

备注:提取所有类别并将它们作为列传递到空数据框中无济于事:

df = pd.SparseDataFrame(columns=all_categories)

Answer 1

考虑以下内存节省方法:

In [143]: df = pd.DataFrame([' '.join(data[k]) for k in data.keys()],
                            index=data.keys(),
                            columns=['text'])

In [144]: df
Out[144]:
       text
C  c2 c1 c4
A  c1 c2 c3
B  c4 c5 c2

In [145]: from sklearn.feature_extraction.text import CountVectorizer

In [146]: cv = CountVectorizer()

In [147]: df = pd.SparseDataFrame(cv.fit_transform(df['text']),
                                  columns=cv.get_feature_names(),
                                  index=df.index)

In [148]: df
Out[148]:
    c1  c2   c3   c4   c5
C  1.0   1  NaN  1.0  NaN
A  1.0   1  1.0  NaN  NaN
B  NaN   1  NaN  1.0  1.0


In [149]: df.memory_usage()
Out[149]:
Index    80
c1       16
c2       24
c3        8
c4       16
c5        8
dtype: int64