Pandas 在更宽的数据框中转换虚拟变量列表

Question

我导入了一个 json 文件，现在我有一个数据框，其中一列（代码）是一个列表。

index year   gvkey    code
0    1998    15686    ['TAX', 'ENVR', 'HEALTH']
1    2005    15372    ['EDUC', 'TAX', 'HEALTH', 'JUST']
2    2001    27486    ['LAB', 'TAX', 'HEALTH']
3    2008    84967    ['HEALTH','LAB', 'JUST']

我想得到的是：

index year   gvkey  TAX  ENVR HEALTH EDUC JUST LAB
0    1998    15686   1     1     1    0    0    0
1    2005    15372   1     0     1    0    1    0
2    2001    27486   1     0     1    0    1    0
3    2008    84967   0     0     1    0    1    1

在之后，我尝试了以下代码（其中 df 是我的数据框）：

s = pd.Series(df["code"])
l = pd.get_dummies(s.apply(pd.Series).stack()).sum(level=0)

我得到了数据的第二部分（变量 TAX、ENVR、HEALTH、EDUC、JUST 和 LAB），但丢失了第一部分（年份和 gvkey）。

如何保留年份和 gvkey 变量？

Answer 1

我认为更好的解决方案是使用 DataFrame.pop with Series.str.join and Series.str.get_dummies:

df = df.join(df.pop('code').str.join('|').str.get_dummies())
print (df)
       year  gvkey  EDUC  ENVR  HEALTH  JUST  LAB  TAX
index                                                 
0      1998  15686     0     1       1     0    0    1
1      2005  15372     1     0       1     1    0    1
2      2001  27486     0     0       1     0    1    1
3      2008  84967     0     0       1     1    1    0

如果性能很重要，请使用 MultiLabelBinarizer:

from sklearn.preprocessing import MultiLabelBinarizer

mlb = MultiLabelBinarizer()
df1 = pd.DataFrame(mlb.fit_transform(df.pop('code')),columns=mlb.classes_)

df = df.join(df1)
print (df)
       year  gvkey  EDUC  ENVR  HEALTH  JUST  LAB  TAX
index                                                 
0      1998  15686     0     1       1     0    0    1
1      2005  15372     1     0       1     1    0    1
2      2001  27486     0     0       1     0    1    1
3      2008  84967     0     0       1     1    1    0

您的解决方案是可行的，，所以最好避免它，而且 sum 仅适用于唯一值，对于一般解决方案需要 max:

df = df.join(pd.get_dummies(df.pop('code').apply(pd.Series).stack()).max(level=0))
print (df)
       year  gvkey  EDUC  ENVR  HEALTH  JUST  LAB  TAX
index                                                 
0      1998  15686     0     1       1     0    0    1
1      2005  15372     1     0       1     1    0    1
2      2001  27486     0     0       1     0    1    1
3      2008  84967     0     0       1     1    1    0

Answer 2

您可以通过以下方法完成此操作：

方法 1：将列转换为数据框并获取 dummies ，然后 groupby on axis=1 并获取 max:

m = pd.get_dummies(pd.DataFrame(df['code'].tolist())).groupby(lambda x:
    x.split('_')[1],axis=1).max()
final1 = df.drop('code',1).assign(**m)

方法 2：使用 | 加入列列表并使用 series.str.get_dummies

final2 = df.drop('code',1).assign(**df['code'].str.join('|').str.get_dummies())

方法 3：您的方法与 concat

s = pd.Series(df["code"])
l = pd.get_dummies(s.apply(pd.Series).stack()).max(level=0)
final3 = pd.concat((df.drop('code',1),l),axis=1)
#or final = df.drop('code',1).assign(**l)

Pandas 在更宽的数据框中转换虚拟变量列表

Pandas converting list of variable in dummies in a wider dataframe

python

pandas

list

dataframe

dummy-variable