如何高效将DataFrame列中的唯一值转换为哑变量新列？

这问题我太熟悉了！手动写apply逐行处理确实效率拉胯，尤其是当分类值多、数据量大的时候，完全没必要这么干——Pandas和Scikit-learn都有专门的向量化工具，性能直接拉满。

方法一：Pandas内置pd.get_dummies（最推荐，简单高效） #

这是处理这类需求的标准工具，底层是向量化实现，速度比自定义apply快几个数量级。

保留原timeline列的写法 #

import pandas as pd

df2 = pd.DataFrame( {"id":[1001,1002,1003,1004], "is_male":[1,0,0,1], "is_elder":[0,0,0,1], "timeline":["b1","b2","c","b1"]} )

# 生成timeline列的哑变量，设置空前缀让列名直接是分类值
dummy_cols = pd.get_dummies(df2['timeline'], prefix='', prefix_sep='')
# 横向合并原DataFrame和哑变量列
df_result = pd.concat([df2, dummy_cols], axis=1)

print(df_result)

输出完全符合你的预期：

替换原timeline列的写法 #

如果不需要保留原timeline列，可以直接指定columns参数一步到位：

df_result = pd.get_dummies(df2, columns=['timeline'], prefix='', prefix_sep='')

方法二：Scikit-learn的OneHotEncoder（适合机器学习场景） #

如果后续要做机器学习建模，用OneHotEncoder更灵活——它支持稀疏矩阵输出（节省内存，尤其当分类值极多的时候），还能和Pipeline无缝集成。

import pandas as pd
from sklearn.preprocessing import OneHotEncoder

df2 = pd.DataFrame( {"id":[1001,1002,1003,1004], "is_male":[1,0,0,1], "is_elder":[0,0,0,1], "timeline":["b1","b2","c","b1"]} )

# 初始化编码器，sparse_output=False返回密集矩阵，方便转DataFrame
encoder = OneHotEncoder(sparse_output=False, drop=None)
# 注意要传入二维数组（所以用[['timeline']]而不是['timeline']）
encoded_data = encoder.fit_transform(df2[['timeline']])
# 获取哑变量的列名
dummy_col_names = encoder.get_feature_names_out(['timeline'])
# 转成DataFrame并和原数据合并
encoded_df = pd.DataFrame(encoded_data, columns=dummy_col_names, index=df2.index)
df_result = pd.concat([df2, encoded_df], axis=1)

# 如果想去掉列名里的"timeline_"前缀，可以重命名
df_result.columns = df_result.columns.str.replace('timeline_', '')

为什么这些方法比自定义apply高效？ #

自定义apply是逐行遍历处理，属于Python层面的循环，时间复杂度是O(n)；而pd.get_dummies和OneHotEncoder都是基于底层向量化运算（C/C++实现），能一次性处理整列数据，速度提升非常明显——当你的数据量达到几万甚至几十万行、分类值超过10个时，这个差距会肉眼可见。

内容的提问来源于stack exchange，提问作者KT.Thompson