如何对DataFrame中存储列表的类别列应用One-Hot Encoder？

假设我们有如下DataFrame：

我们需要将CATEGORIES列转换为One-Hot编码，预期结果如下：

无需自行编写低效代码，Python已有成熟工具包可以高效实现该需求，以下是两种常用方案：

方案一：使用Pandas内置方法 #

Pandas的字符串处理工具可以直接适配列表型字段，结合str.join和str.get_dummies快速生成编码：

import pandas as pd

# 构造示例数据
df = pd.DataFrame({
    'ID': [0, 1, 2],
    'CATEGORIES': [['A'], ['A', 'C'], ['B', 'C']]
})

# 将列表转为分隔符连接的字符串，再生成One-Hot编码
one_hot = df['CATEGORIES'].str.join('|').str.get_dummies(sep='|')

# 合并原ID列与编码结果
result = pd.concat([df['ID'], one_hot], axis=1)
print(result)

方案二：使用Scikit-learn的MultiLabelBinarizer #

如果需要和机器学习流程整合，scikit-learn的MultiLabelBinarizer是专门针对多标签（列表型分类）的编码工具：

import pandas as pd
from sklearn.preprocessing import MultiLabelBinarizer

# 构造示例数据
df = pd.DataFrame({
    'ID': [0, 1, 2],
    'CATEGORIES': [['A'], ['A', 'C'], ['B', 'C']]
})

# 初始化多标签二值化器并完成编码
mlb = MultiLabelBinarizer()
one_hot_array = mlb.fit_transform(df['CATEGORIES'])
one_hot_df = pd.DataFrame(one_hot_array, columns=mlb.classes_)

# 合并原ID列与编码结果
result = pd.concat([df['ID'], one_hot_df], axis=1)
print(result)

两种方案均适配大规模数据场景，效率远高于手动编写循环逻辑。

内容的提问来源于stack exchange，提问作者sbb