python - 我如何在一个单元格中使用多个值进行一次热编码？

Question

我在 Excel 中有这个表格:

id  class
0   2 3
1   1 3 
2   3 5

现在，我想用 Python 进行“特殊”的单热编码。对于第一个表中的每个 id，都有两个数字。每个数字对应一个类别(class1、class2 等)。第二个表是基于第一个表创建的，这样对于每个 id，其行中的每个数字都显示在其对应的类列中，而其他列只得到零。例如，id 0 的数字是 2 和 3。2 放在 class2 中，3 放在 class3 中。类 1、4 和 5 获得默认值 0。结果应如下所示:

id  class1  class2  class3  class4  class5
 0   0       2        3       0       0
 1   1       0        3       0       0
 2   0       0        3       0       5

我以前的解决方案，

foo = lambda x: pd.Series([i for i in x.split()])
result=onehot['hotel'].apply(foo)
result.columns=['class1','class2']
pd.get_dummies(result, prefix='class', columns=['class1','class2'])

结果:

    class_1 class_2 class_3 class_3 class_5
  0  0.0     1.0    0.0      1.0    0.0
  1  1.0     0.0    0.0      1.0    0.0
  2  0.0     0.0    1.0      0.0    1.0

(class_3 出现了两次)。我该怎么做才能解决这个问题？ (经过这一步，我可以把它转换成我想要的最终格式。)

Answer 1

您需要将变量设置为 categorical然后你可以使用 one hot encoding如图:

In [18]: df1 = pd.DataFrame({"class":pd.Series(['2','1','3']).astype('category',categories=['1','2','3','4','5'])})

In [19]: df2 = pd.DataFrame({"class":pd.Series(['3','3','5']).astype('category',categories=['1','2','3','4','5'])})

In [20]: df_1 = pd.get_dummies(df1)

In [21]: df_2 = pd.get_dummies(df2)

In [22]: df_1.add(df_2).apply(lambda x: x * [i for i in range(1,len(df_1.columns)+1)], axis = 1).astype(int).rename_axis('id')
Out[22]: 
    class_1  class_2  class_3  class_4  class_5
id                                             
0         0        2        3        0        0
1         1        0        3        0        0
2         0        0        3        0        5