如何从pandas DataFrame中选取指定列构建矩阵

操作流程 #

• 第一步：导入pandas库，加载目标csv文件拿到DataFrame对象

import pandas as pd
# 把路径替换成你本地存储similarity.csv的实际路径即可
df = pd.read_csv("similarity.csv")

• 第二步：选取需要的Count、Topic两列
  直接通过列名列表索引就能拿到只包含目标列的子数据集，建议选完先打印前几行确认结果正确，避免列名不匹配报错：

# 传入列名组成的列表，批量选取多列
selected_cols = df[["Count", "Topic"]]
# 打印前5行校验选取结果
print(selected_cols.head())

小提示：如果选列报错，先跑print(df.columns)打印全量列名，检查是不是列名有大小写偏差、前后带空格的问题。

• 第三步：基于选中的两列构建目标矩阵
  根据实际使用场景，最常见的矩阵构建有两类：
  1. 构建可直接用于建模的二维数值特征矩阵
     Topic列是文本类别的话，先转成数值编码，再和Count列拼接转成矩阵格式即可：

# 把Topic列的文本类别转成数值编码
selected_cols["Topic_code"] = selected_cols["Topic"].astype("category").cat.codes
# 转成numpy格式的二维矩阵
feature_matrix = selected_cols[["Count", "Topic_code"]].values
# 打印矩阵维度和内容校验
print(f"矩阵维度：{feature_matrix.shape}")
print(feature_matrix)

2. 构建Topic与Count的交叉聚合矩阵
   如果需要生成行索引为Topic、值为对应Count聚合结果的矩阵，用透视表实现即可，聚合规则可以按需调整：

# 按Topic分组，对Count做求和聚合，最后转成矩阵格式
agg_matrix = pd.pivot_table(
    selected_cols,
    values="Count",
    index="Topic",
    aggfunc="sum" # 要算均值就改成"mean"，要计数就改成"count"
).values

内容的提问来源于stack exchange，提问作者Noob Coder