如何提取Pandas列中语言字符串并编码为多标签新列

我们可以通过以下步骤实现需求：

步骤1：准备数据并统一格式 #

首先处理语言列里的格式不一致问题（比如German C2缺少分隔符-），统一为语言 - 等级的格式：

import pandas as pd

# 构造示例数据
data = {
    "编号": ["01", "02", "03", "04", "05", "06", "07", "08"],
    "语言": [
        "Spanish - C1",
        "No",
        "Spanish - B2",
        "Spanish - C1 / German - C1 / Portuguese - C1",
        "No",
        "German C2",
        "No",
        "Spanish - B2 / Portuguese - C1"
    ]
}
df = pd.DataFrame(data)

# 统一格式：把"语言 等级"替换成"语言 - 等级"
df["语言"] = df["语言"].str.replace(r'(\w+) (\w+)', r'\1 - \2', regex=True)

步骤2：拆分语言条目并处理"无语言"情况 #

将多语言条目拆分为列表，同时把No标记为单独的"无语言"类别：

# 拆分语言列，处理No的情况
def split_languages(s):
    if s == "No":
        return ["无语言"]
    else:
        # 按 / 分割并去除前后空格
        return [lang.strip() for lang in s.split("/")]

df["语言列表"] = df["语言"].apply(split_languages)

步骤3：生成所有唯一的语言类别并排序 #

提取所有出现过的语言等级组合，加上"无语言"，然后按字母顺序排序：

# 获取所有唯一的语言类别
all_languages = set()
for langs in df["语言列表"]:
    all_languages.update(langs)
# 转换为排序后的列表
sorted_languages = sorted(all_languages)

步骤4：生成哑变量列 #

遍历每个语言类别，对每行判断是否包含该类别，生成1/0的哑变量：

# 生成哑变量
for lang in sorted_languages:
    df[lang] = df["语言列表"].apply(lambda x: 1 if lang in x else 0)

# 保留需要的列：编号 + 所有哑变量列
result_df = df[["编号"] + sorted_languages]

最终结果 #

运行上述代码后，result_df就是你需要的格式：

说明 #

• 代码首先统一了语言格式，避免因分隔符不一致导致的类别重复
• 通过拆分和集合去重获取所有唯一的语言等级组合，再排序保证列的字母顺序
• 哑变量生成逻辑简单直接，确保每个条目对应正确的1/0标记

内容的提问来源于stack exchange，提问作者Runciter