如何在Power Query中基于订单次数与产品类别创建哑变量？

针对大型客户购买数据集，可通过Python的pandas库实现自动化生成订单次数与产品类别的组合哑变量，步骤如下：

步骤1：标记客户订单次数 #

首先为每个客户的订单按时间排序，标记首次、二次等购买次数：

import pandas as pd

# 确保订单日期为datetime类型（若原始数据是字符串格式）
data['order_date'] = pd.to_datetime(data['order_date'])

# 按客户分组，按订单日期排序，生成订单次数（1=首次购买，2=二次购买...）
data['order_rank'] = data.groupby('customer_id')['order_date'].rank(method='first').astype(int)
# 可选：转换为更直观的文本标签，比如"1次购买"、"2次购买"
data['order_rank_label'] = data['order_rank'].apply(lambda x: f"{x}次购买")

步骤2：拆分订单内的多产品类别 #

将同一订单中的多个产品类别拆分为单独行，方便后续生成组合特征：

# 拆分逗号分隔的产品类别字符串（若原始数据是列表格式，直接跳过split步骤）
data_exploded = data.assign(product_category=data['product_categories'].str.split(',')).explode('product_category')

步骤3：生成订单次数-产品类别组合特征 #

创建组合列，将订单次数标签与产品类别拼接：

data_exploded['order_category_comb'] = data_exploded['order_rank_label'] + '_' + data_exploded['product_category']

步骤4：生成组合哑变量 #

利用pd.get_dummies快速生成哑变量，并按订单ID聚合（同一订单内只要包含对应类别，哑变量标记为1）：

# 生成哑变量
dummies = pd.get_dummies(data_exploded['order_category_comb'], prefix='', prefix_sep='')

# 按订单ID聚合，取最大值确保同一订单的多类别都被标记
dummies_agg = dummies.groupby(data_exploded['order_id']).max()

# 合并回原数据集
final_data = data.merge(dummies_agg, on='order_id', how='left')

大型数据集优化建议 #

• 若数据集规模极大，可使用dask.dataframe替代pandas，支持并行计算提升处理速度
• 提前清理数据：确保customer_id、order_id无缺失值，product_categories格式统一
• 若订单次数需要随新数据动态更新，仅需重新运行上述代码即可，无需手动调整规则

内容的提问来源于stack exchange，提问作者HeadyFinance