如何用Pandas将含逗号分隔字符串的列转换为独热编码式新列？

针对你遇到的问题，不用手动创建数百个列，用pandas的向量化操作就能高效搞定，不管是单列还是多列都适用，步骤如下：

1. 处理单列场景（以你的ColumnB为例） #

步骤1：清洗字符串格式 #

首先把ColumnB里的{"value1", "value2"}格式字符串转换成列表：

import pandas as pd

# 构造示例数据
data = {
    'ColumnA': [1, 2, 3, 4],
    'ColumnB': ['{"alpha", "bravo"}', '{"bravo", "charlie"}', '{"alpha", "charlie","gama"}', '{"bravo", "charlie","delta"}']
}
df = pd.DataFrame(data)

# 清洗字符串：去掉大括号、引号，按逗号+任意空格分割成列表
df['ColumnB'] = df['ColumnB'].str.strip('{}').str.replace('"', '').str.split(',\s*')

步骤2：生成独热编码 #

利用explode拆分列表为多行，再用get_dummies生成编码后按行聚合求和：

# 生成独热编码并聚合
one_hot_df = df['ColumnB'].explode().str.get_dummies().groupby(level=0).sum()

# 合并原数据的ColumnA和独热编码结果
final_df = pd.concat([df['ColumnA'], one_hot_df], axis=1)

# 可选：调整列顺序匹配你的示例输出
final_df = final_df[['ColumnA', 'alpha', 'bravo', 'charlie', 'delta', 'gama']]

运行后final_df就是你要的输出格式，自动生成所有唯一值对应的列，不用手动定义。

2. 扩展到多列场景 #

如果有多个类似格式的列（比如ColumnC），可以封装成函数批量处理：

def process_one_hot_col(df, col_name):
    # 清洗目标列
    cleaned_col = df[col_name].str.strip('{}').str.replace('"', '').str.split(',\s*')
    # 生成独热编码并聚合
    one_hot = cleaned_col.explode().str.get_dummies().groupby(level=0).sum()
    # 合并结果并删除原列
    return pd.concat([df.drop(col_name, axis=1), one_hot], axis=1)

# 批量处理ColumnB和ColumnC
processed_df = process_one_hot_col(df, 'ColumnB')
processed_df = process_one_hot_col(processed_df, 'ColumnC')

优势说明 #

• 完全自动化生成所有唯一值的独热列，不用手动写数百个lambda判断
• 用pandas原生向量化操作，比循环/apply效率高得多，适合数千行的大数据量
• 兼容带空格、下划线的value格式（比如"X Y Z"、"X_Y_Z"），会完整保留为列名

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