如何将分类列的bigram转换为独立列实现字符串编码？

原数据集 #

期望结果 #

代码实现（基于Pandas） #

用Python的Pandas库就能直接完成需求，步骤如下：

1. 导入库并初始化数据集

import pandas as pd

df = pd.DataFrame({'A': ['blue', 'red', 'black']})

2. 定义Bigram生成函数
   这个函数负责把单个字符串拆分成连续的双字符组合：

def get_bigrams(s):
    # 遍历字符串，每次取连续两个字符，直到倒数第二个字符
    return [s[i:i+2] for i in range(len(s)-1)]

3. 收集所有唯一的Bigram
   遍历所有字符串，收集所有可能的Bigram并去重：

all_bigrams = []
for string in df['A']:
    all_bigrams.extend(get_bigrams(string))
# 去重并排序，保证列顺序稳定
unique_bigrams = sorted(list(set(all_bigrams)))

4. 生成One-Hot编码列
   对每个唯一的Bigram，检查每行字符串是否包含它，生成对应的1/0标记列：

for bg in unique_bigrams:
    df[bg] = df['A'].apply(lambda x: 1 if bg in get_bigrams(x) else 0)

运行完以上代码后，df就是你需要的结果。

内容的提问来源于stack exchange，提问作者revarein