python - get_dummies 拆分字符

Question

我有需要应用单热编码的标记数据:'786.2', 'ICD-9-CM|786.2', ' ICD-9-CM', '786.2b|V13.02', 'V13.02', '279.12' , 'ICD-9-CM|V42.81' 是标签。 | 表示文档同时有 2 个标签。所以我写了这样的代码:

labels = np.asarray(label_docs)

labels = np.array([u'786.2', u'ICD-9-CM|786.2', u'|ICD-9-CM', u'786.2b|V13.02', u'V13.02', u'279.12', u'ICD-9-CM|V42.81|'])

df = pd.DataFrame(labels, columns=['label'])
labels = df['label'].str.get_dummies(sep='|')

结果:

279.12  786.2  786.2b  ICD-9-CM  V13.02  V42.81
0       0      1       0         0       0       0
1       0      1       0         1       0       0
2       0      0       0         1       0       0
3       0      0       1         0       1       0
4       0      0       0         0       1       0
5       1      0       0         0       0       0
6       0      0       0         1       0       1

但是，现在我只希望每个文档有 1 个标签:

'ICD-9-CM|786.2'是'ICD-9-CM',

'ICD-9-CM|V42.81|' 是 'ICD-9-CM'。

我怎样才能像那样通过 get_dummies 进行分离？

Answer 1

我想你需要str.strip和 str.split然后通过 str[0] 选择列表的第一项:

print (df.label.str.strip('|').str.split('|').str[0])
0       786.2
1    ICD-9-CM
2    ICD-9-CM
3      786.2b
4      V13.02
5      279.12
6    ICD-9-CM
Name: label, dtype: object

labels = df.label.str.strip('|').str.split('|').str[0].str.get_dummies()
print (labels)
   279.12  786.2  786.2b  ICD-9-CM  V13.02
0       0      1       0         0       0
1       0      0       0         1       0
2       0      0       0         1       0
3       0      0       1         0       0
4       0      0       0         0       1
5       1      0       0         0       0
6       0      0       0         1       0

如果索引为 2 的行不需要任何值，则删除 str.strip:

print (df.label.str.split('|').str[0])
0       786.2
1    ICD-9-CM
2            
3      786.2b
4      V13.02
5      279.12
6    ICD-9-CM
Name: label, dtype: object

labels = df.label.str.split('|').str[0].str.get_dummies(sep='|')
print (labels)

   279.12  786.2  786.2b  ICD-9-CM  V13.02
0       0      1       0         0       0
1       0      0       0         1       0
2       0      0       0         0       0
3       0      0       1         0       0
4       0      0       0         0       1
5       1      0       0         0       0
6       0      0       0         1       0