在R中如何基于外部表格矩阵为数据框创建哑变量？

现有如下结构的DataFrame：

ID V1 V2 V3 V4 V5
1  a  6  3  5   3
2  c  4  1  2   1
3  g  8  2  4   2
4  h  7  9  8   1
5  a  4  6  2   1
6  b  4  2  1   2
7  j  8  7  1   4

需要新增一列V6作为哑变量，取值规则由外部映射矩阵确定：

V1 1 2 3 4 5 6 7 8 9
a  1 1   1 1 1   
b  1     1 1 1 1 1 1
c                  1
d  1 1 1 1 1 1 1 1 1
g  1 1 
h    1             1
i          1 1     1
j  
k  1 1 1 1 1

矩阵规则：

• V1列对应原DataFrame的V1取值
• 其余列对应原DataFrame的V5可能取值
• 空白处视为0，当原DataFrame某行的V1与V5交叉点为1时，V6取1，否则取0

最终期望结果：

ID V1 V2 V3 V4 V5 V6
1  a  6  3  5   3  0
2  c  4  1  2   1  0 
3  g  8  2  4   2  1
4  h  7  9  8   1  0
5  a  4  6  2   1  1
6  b  4  2  1   2  0
7  j  8  7  1   4  0

核心需求：

• 高效利用此类外部表格基于取值交叉点创建哑变量
• 编写灵活代码，适配字符型或数值型变量

步骤1：标准化外部映射矩阵 #

先把宽格式的映射矩阵转成便于匹配的长格式，同时统一处理空白值和数据类型：

import pandas as pd

# 模拟外部映射矩阵的输入（实际可从csv/excel文件读取）
mapping_data = {
    'V1': ['a', 'b', 'c', 'd', 'g', 'h', 'i', 'j', 'k'],
    '1': ['1', '1', '', '1', '1', '', '', '', '1'],
    '2': ['1', '', '', '1', '1', '1', '', '', '1'],
    '3': ['', '', '', '1', '', '', '', '', '1'],
    '4': ['1', '1', '', '1', '', '', '1', '', '1'],
    '5': ['1', '1', '', '1', '', '', '1', '', '1'],
    '6': ['1', '1', '', '1', '', '', '', '', ''],
    '7': ['', '1', '', '1', '', '', '', '', ''],
    '8': ['', '1', '', '1', '', '', '', '', ''],
    '9': ['', '1', '1', '1', '', '1', '1', '', '']
}
mapping_df = pd.DataFrame(mapping_data)

# 转长格式，空白值替换为0，同时转换数据类型
mapping_long = mapping_df.melt(id_vars='V1', var_name='V5', value_name='V6')
mapping_long['V6'] = mapping_long['V6'].replace('', '0').astype(int)

# 适配原DataFrame的V5类型：如果V5是数值型转int，字符型转str
mapping_long['V5'] = mapping_long['V5'].astype(int)

步骤2：合并匹配生成哑变量 #

用merge实现原DataFrame与映射表的精准匹配，自动生成哑变量：

# 模拟原DataFrame输入
df = pd.DataFrame({
    'ID': [1,2,3,4,5,6,7],
    'V1': ['a','c','g','h','a','b','j'],
    'V2': [6,4,8,7,4,4,8],
    'V3': [3,1,2,9,6,2,7],
    'V4': [5,2,4,8,2,1,1],
    'V5': [3,1,2,1,1,2,4]
})

# 按V1和V5合并，左连接保留原DataFrame所有行
result_df = df.merge(mapping_long, on=['V1', 'V5'], how='left')
# 对映射表中没有的组合补0
result_df['V6'] = result_df['V6'].fillna(0).astype(int)

灵活性适配说明 #

• 类型兼容：如果原DataFrame的V5是字符型，只需将mapping_long['V5']的类型转换改为astype(str)即可，核心逻辑无需调整
• 效率优化：这种长格式映射+合并的方式基于pandas向量化操作，比逐行循环判断效率高，适合大数据集
• 批量扩展：若需生成多个哑变量，只需调整映射表的结构，重复长格式转换+合并的逻辑即可

内容的提问来源于stack exchange，提问作者flâneur