如何将Pandas DataFrame多值字符串列映射为ML可用编码格式？

先优化你的唯一CPU提取逻辑 #

你原来的函数可以简化成更高效的版本，直接处理整个列的所有数据，避免嵌套循环：

import pandas as pd

def get_unique_cpus(df, col):
    # 分割字符串、去除首尾空格、展开所有CPU项后去重
    all_cpus = df[col].str.split(",").explode().str.strip()
    return all_cpus.unique().tolist()

supported_cpu_list = get_unique_cpus(df, 'supported_cpu')

方法1：手动生成独热编码列 #

适合快速生成每个CPU对应的0/1标记列，直观易懂：

# 遍历每个唯一CPU，为DataFrame添加对应的编码列
for cpu in supported_cpu_list:
    df[f"cpu_{cpu}"] = df['supported_cpu'].apply(
        lambda x: 1 if cpu in [item.strip() for item in x.split(",")] else 0
    )

每一行中，如果包含该CPU，对应列值为1，否则为0，直接可以作为ML模型的输入特征。

方法2：使用sklearn的MultiLabelBinarizer（推荐多标签场景） #

如果你的任务是多标签分类（一行数据可能对应多个CPU标签），用这个工具更专业高效：

from sklearn.preprocessing import MultiLabelBinarizer

# 第一步：把原列转换为去除空格后的CPU列表
df['cpu_list'] = df['supported_cpu'].apply(lambda x: [item.strip() for item in x.split(",")])

# 第二步：初始化二值化器并生成编码
mlb = MultiLabelBinarizer(classes=supported_cpu_list)
cpu_encoded_matrix = mlb.fit_transform(df['cpu_list'])

# 第三步：把编码结果转为DataFrame并合并到原数据
cpu_encoded_df = pd.DataFrame(
    cpu_encoded_matrix, 
    columns=mlb.classes_, 
    index=df.index
)
df = pd.concat([df, cpu_encoded_df], axis=1)

# 可选：删除中间生成的cpu_list列
df = df.drop('cpu_list', axis=1)

生成的编码列同样是0/1格式，且专门适配多标签场景，后续可以直接传入ML模型。

内容的提问来源于stack exchange，提问作者D_D