如何按自定义规则批量编码DataFrame中的因子水平为数字

问题描述 #

现有Pandas DataFrame，每列仅包含两个来自{"AA", "GG", "CC", "TT"}的因子水平，需按以下规则批量将因子编码为2或0：

• 若列是AA/CC组合：AA→2，CC→0
• 若列是CC/TT组合：CC→2，TT→0
• 其他组合遵循优先级高的因子编码为2，低的为0的规则（优先级顺序：AA > CC > GG > TT）

原数据示例：

期望输出：

解决方案 #

利用Pandas的批量列操作实现高效处理，无需逐列手动编码：

步骤1：导入依赖并构造示例数据 #

import pandas as pd

# 构造示例DataFrame（实际使用时替换为你的数据）
data = {
    'x1x': ['TT', 'CC', 'CC', 'TT', 'CC', 'TT'],
    'x2x': ['GG', 'AA', 'GG', 'AA', 'AA', 'GG'],
    'x3x': ['AA', 'CC', 'CC', 'CC', 'CC', 'AA'],
    'x4x': ['GG', 'GG', 'GG', 'GG', 'TT', 'TT'],
    'x5x': ['AA', 'TT', 'AA', 'TT', 'AA', 'AA'],
    'x6x': ['GG', 'CC', 'GG', 'CC', 'GG', 'CC']
}
df = pd.DataFrame(data)

步骤2：定义编码逻辑并批量处理 #

# 定义因子优先级：优先级越高，编码越可能为2
priority_map = {'AA': 3, 'CC': 2, 'GG': 1, 'TT': 0}

def encode_single_column(col):
    # 获取当前列的两个唯一因子
    unique_values = col.unique()
    # 对比两个因子的优先级
    val1_priority = priority_map[unique_values[0]]
    val2_priority = priority_map[unique_values[1]]
    
    # 生成映射规则：优先级高的对应2，低的对应0
    if val1_priority > val2_priority:
        code_map = {unique_values[0]: 2, unique_values[1]: 0}
    else:
        code_map = {unique_values[1]: 2, unique_values[0]: 0}
    
    return col.map(code_map)

# 对所有列应用编码函数，生成结果DataFrame
encoded_df = df.apply(encode_single_column)

# 查看结果
print(encoded_df)

说明 #

• 该方法通过apply批量处理所有列，避免手动循环，处理大数据量时效率更高
• 优先级映射可灵活调整，若后续规则变化，仅需修改priority_map即可
• 自动适配每列的因子组合，无需提前指定列的组合类型

内容的提问来源于stack exchange，提问作者Sandae