python-3.x - 如何使用逗号分隔的值列创建虚拟变量？

Question

我正在从事机器学习的数据预处理工作，遇到了一个问题。
这就是我想做的。

表格图片:

表的类型是 pandas dataframe。

我当前的表格是左一张，我想将我的表格转换为右一张。

电影和 Actor 的数量不固定。

---

编辑: 数据输入

 df=pd.DataFrame({'name':['A','B','C'],'actors':['a,b','b,d','c,m']})

预期输出:

       a  b  c  d  m

A      1  1  0  0  0
B      0  1  0  1  0
C      0  0  1  0  1

Answer 1

试试这个？ (顺便说一句，kaggle 电影数据集，最好使用 LabelEncoder )

PS:我没有添加name列，您可以简单地执行out['name']=df.name

---

选项 1 pd.crosstab

df.actors=df.actors.str.split(',')
df1=df.set_index('name').actors.apply(pd.Series).stack()
pd.crosstab(df1.index.get_level_values(0),df1).rename_axis(None).rename_axis(None,1)


Out[246]: 
   a  b  c  d  m
A  1  1  0  0  0
B  0  1  0  1  0
C  0  0  1  0  1

---

选项 2 get_dummies

pd.get_dummies(df.actors.str.split(',').apply(pd.Series).stack()).sum(level=0)

Out[230]: 
   a  b  c  d  m
0  1  1  0  0  0
1  0  1  0  1  0
2  0  0  1  0  1

---

选项3 多标签二值化器

from sklearn.preprocessing import MultiLabelBinarizer
mlb = MultiLabelBinarizer()
    pd.DataFrame(mlb.fit_transform(df.actors.str.split(',')),columns=mlb.classes_,index=df.name).reset_index()
Out[238]: 
  name  a  b  c  d  m
0    A  1  1  0  0  0
1    B  0  1  0  1  0
2    C  0  0  1  0  1

---

数据输入

df=pd.DataFrame({'name':['A','B','C'],'actors':['a,b','b,d','c,m']})