Python按课程分组并将字符串主题转为二进制列的问题

我有一个大型CSV文件，每行对应一门学校课程，每门课程带有一个或多个以分号分隔的字符串主题标签。需要实现两个需求：

• 将每个主题转为独立列，用1表示课程包含该主题，0表示不包含；
• 对重复的课程进行分组合并，同一课程的所有关联主题均标记为1。

我尝试了一段Pandas代码，但所有二进制列结果都为0，现寻求正确实现方法。

示例输入表格：

期望输出表格：

现有代码：

import pandas as pd
import io

df = pd.read_csv(io.BytesIO(uploaded['topics.csv']))

x = df.pop("Final Topic").str.split(r"\s*;\s*").explode()
x = pd.crosstab(x.index, x).add_prefix("topic ")
df = pd.concat([df, x], axis=1)

问题原因 #

代码出现全0结果的核心问题是列名不匹配：CSV中的主题列是topics，但代码里用了df.pop("Final Topic")，取出的是不存在的列，后续交叉表自然全为0。同时原代码也未处理重复课程的合并需求。

正确实现步骤 #

1. 拆分topics列，将分号分隔的主题转为每行一个主题的格式；
2. 基于课程的唯一标识（学校、院系、课程名）分组，生成主题的二进制标记，确保重复课程的所有主题都标记为1；
3. 合并处理后的主题列与原数据集，得到最终结果。

完整代码 #

import pandas as pd
import io

# 读取CSV文件
df = pd.read_csv(io.BytesIO(uploaded['topics.csv']))

# 拆分主题列并展开为每行一个主题
split_topics = df['topics'].str.split(r'\s*;\s*', expand=True).stack().reset_index(level=1, drop=True).rename('topic')

# 合并原数据与拆分后的主题，生成二进制主题列并合并重复课程
df_with_topics = df.drop('topics', axis=1).join(split_topics)
result = df_with_topics.pivot_table(
    index=['school name', 'department', 'course name'],
    columns='topic',
    aggfunc='max',  # 用max确保同一课程的主题只要出现过就标记为1
    fill_value=0
).reset_index()

print(result)

代码说明 #

• 修正了列名错误，使用CSV实际存在的topics列进行拆分；
• stack()和reset_index将拆分后的多列主题转换为每行一个主题的格式，便于后续处理；
• pivot_table通过指定课程的唯一标识作为索引，自动合并重复课程，aggfunc='max'保证同一课程的关联主题全部标记为1，fill_value=0填充未出现的主题；
• reset_index()将索引列转回普通列，输出格式与示例完全匹配。

内容的提问来源于stack exchange，提问作者bvecc