在具有跨行字符串列表的列上的 Pandas 中进行标签编码

Question

我想对 pandas 中的一列进行 LabelEncode，其中每一行都包含一个字符串列表。由于类似的 string/text 跨行具有相同的含义，因此编码应该尊重这一点，并且理想情况下用唯一的数字对其进行编码。想象一下：

import pandas as pd

df =pd.DataFrame({
                  'A':[['OK', 'NG', 'Repair', 'Peace'],['Sky', 'NG', 'Fixed', 'Conflict'],['Crossed', 'OK', 'Engine', 'Peace'],['OK', 'Beats', 'RPi', 'Country']]
                  })

# df
                              A
0       [OK, NG, Repair, Peace]
1    [Sky, NG, Fixed, Conflict]
2  [Crossed, OK, Engine, Peace]
3     [OK, Beats, RPi, Country]

当我执行以下操作时：

le = LabelEncoder()
df['LabelEncodedA'] = df['A'].apply(le.fit_transform)

它returns:

                              A LabelEncodedA
0       [OK, NG, Repair, Peace]  [1, 0, 3, 2]
1    [Sky, NG, Fixed, Conflict]  [1, 3, 2, 0]
2  [Crossed, OK, Engine, Peace]  [0, 2, 1, 3]
3     [OK, Beats, RPi, Country]  [2, 0, 3, 1]

这不是预期的结果。这里每一行都是单独的 LabelEncoded。还有一个字符串，例如第一行中的 'OK' 未编码为第三行或第四行中的 'OK'。理想情况下，我想让它们跨行全局编码。也许一种方法是从该列创建一个语料库，并使用标记化或标签编码获取映射以手动编码列表？如何将包含字符串列表的 pandas 列转换为语料库文本？或者有什么更好的方法吗？

预期结果（假设）：

                              A LabelEncodedA
0       [OK, NG, Repair, Peace]  [0, 1, 2, 3]
1    [Sky, NG, Fixed, Conflict]  [4, 1, 5, 6]
2  [Crossed, OK, Engine, Peace]  [7, 0, 8, 9]
3     [OK, Beats, RPi, Country]  [0, 10, 11, 12]

Answer 1

一种方法是 explode 列，然后 factorize 将该列编码为分类变量，然后对编码列进行分组并使用 list

进行聚合

a = df['A'].explode()
a[:] = a.factorize()[0]
df['Encoded'] = a.groupby(level=0).agg(list)

结果

                              A         Encoded
0       [OK, NG, Repair, Peace]    [0, 1, 2, 3]
1    [Sky, NG, Fixed, Conflict]    [4, 1, 5, 6]
2  [Crossed, OK, Engine, Peace]    [7, 0, 8, 3]
3     [OK, Beats, RPi, Country]  [0, 9, 10, 11]

在具有跨行字符串列表的列上的 Pandas 中进行标签编码

LabelEncoding in Pandas on a column with list of strings across rows

python

list

tokenize

pandas

label-encoding