python - 如何在 Python/Pandas 中构建 "many-hot"？

Question

我需要将三列分类数据组合成一组二进制类别命名列。这类似于“one-hot”，但源行最多有三个类别，而不是只有一个。另外请注意，有 100 多个类别，我不会事先知道它们。

id, fruit1, fruit2, fruit3
1, apple, orange,
2, orange, , 
3, banana, apple,

应该生成...

id, apple, banana, orange
1, 1, 0, 1
2, 0, 0, 1
3, 1, 1, 0

Answer 1

你可以使用 pd.melt将所有水果列合并为一列，并使用 pd.crosstab创建频率表:

import numpy as np
import pandas as pd

df = pd.read_csv('data')
df = df.replace(r' ', np.nan)
#    id   fruit1   fruit2   fruit3
# 0   1    apple   orange      NaN
# 1   2   orange      NaN      NaN
# 2   3   banana    apple      NaN

melted = pd.melt(df, id_vars=['id'])
result = pd.crosstab(melted['id'], melted['value'])
print(result)

产量

value   apple   banana   orange
id                             
1           1        0        1
2           0        0        1
3           1        1        0

---

说明:熔化后的 DataFrame 如下所示:

In [148]:  melted = pd.melt(df, id_vars=['id']); melted
Out[149]: 
   id variable    value
0   1   fruit1    apple
1   2   fruit1   orange
2   3   fruit1   banana
3   1   fruit2   orange
4   2   fruit2      NaN
5   3   fruit2    apple
6   1   fruit3      NaN
7   2   fruit3      NaN
8   3   fruit3      NaN

我们可以忽略variable列； id 和 value 很重要。pd.crosstab 可用于在索引中使用 melted['id'] 值和 melted['value'] 创建频率表值作为列:

In [150]: pd.crosstab(melted['id'], melted['value'])
Out[150]: 
value   apple   banana   orange
id                             
1           1        0        1
2           0        0        1
3           1        1        0