Pandas在多列上使用get_dummies函数

Question

我有一个数据集，其中有多个列需要进行独热编码。但是，由于这些列与相应的项目相关，因此我不想为每个列进行编码。我想要的是一组使用所有列的虚拟变量。请查看我的代码以获得更好的解释。

假设我的数据框看起来像这样：

In [103]: dum = pd.DataFrame({'ch1': ['A', 'C', 'A'], 'ch2': ['B', 'G', 'F'], 'ch3': ['C', 'D', 'E']})

In [104]: dum
Out[104]:
 ch1 ch2 ch3
0   A   B   C
1   C   G   D
2   A   F   E

如果我执行

pd.get_dummies(dum)

输出将会是

   ch1_A  ch1_C  ch2_B  ch2_F  ch2_G  ch3_C  ch3_D  ch3_E
 0      1      0      1      0      0      1      0      0
 1      0      1      0      0      1      0      1      0
 2      1      0      0      1      0      0      0      1

然而，我想要得到的是这样的东西：

 A B C D E F G
 1 1 1 0 0 0 0
 0 0 1 1 0 0 1
 1 0 0 0 1 1 0

不要再用多列表示编码，例如ch1_A和ch1_C，我希望只有一组（A，B等），当列ch1，ch2，ch3中的任何一个值出现时，该组的值为1。

澄清一下，在我的原始数据集中，单个行不会包含相同的值（A、B、C ...）超过一次；它只会出现在其中一列中。

- user3276768

Answer 1

使用stack和str.get_dummies

dum.stack().str.get_dummies().sum(level=0)
Out[938]: 
   A  B  C  D  E  F  G
0  1  1  1  0  0  0  0
1  0  0  1  1  0  0  1
2  1  0  0  0  1  1  0

- BENY

---

我会接受这个答案。然而，我想评论一下（对于那些正在阅读此内容的人），如果您的数据集很大，这种方法可能效果不佳。在我的情况下，我的数据框的形状大约是（100000,120），结果崩溃了。感谢您的帮助 :) - user3276768

Answer 2

你可以使用 pd.crosstab 来创建一个频率表：

import pandas as pd

dum = pd.DataFrame({'ch1': ['A', 'C', 'A'], 'ch2': ['B', 'G', 'F'], 'ch3': ['C', 'D', 'E']})

stacked = dum.stack()
index = stacked.index.get_level_values(0)
result = pd.crosstab(index=index, columns=stacked)
result.index.name = None
result.columns.name = None

print(result)

产量

   A  B  C  D  E  F  G
0  1  1  1  0  0  0  0
1  0  0  1  1  0  0  1
2  1  0  0  0  1  1  0

- unutbu

Answer 3

这样调用它

x = pd.get_dummies(dum, prefix="", prefix_sep="")

然后使用打印

print(x.to_string(index=False))

- Mean Coder

---

输出显示了重复的列。它看起来就像Raunaq（另一个答案）发布的输出一样。 - user3276768

Answer 4

您可以为不同的列创建虚拟值，然后将结果连接起来：

temp = pd.concat([pd.get_dummies(dum[col]) for col in dum], axis=1)

    A   C   B   F   G   C   D   E
0   1   0   1   0   0   1   0   0
1   0   1   0   0   1   0   1   0
2   1   0   0   1   0   0   0   1

temp.groupby(level=0, axis=1).sum()

    A   B   C   D   E   F   G
0   1   1   1   0   0   0   0
1   0   0   1   1   0   0   1
2   1   0   0   0   1   1   0

- Raunaq Jain

---

在这种情况下，我会有重复的列（你有两个C）。我知道我可以将它们连接起来并保持数据集的清洁，但我想知道是否有一种更直接和简单的方法来做到这一点。 - user3276768

完全是我的错。我完全没有注意到。既然Wen已经给出了一个很好的答案，我会在我的答案上补充一些内容。 - Raunaq Jain