如何在pandas中将列内的列表文本值转换为二进制表示的独热编码列
pandas列表列转多热编码解决方案
以下两种方案均可以直接实现需求:
方案1:原生pandas实现(无需额外依赖)
核心思路是将列表拼接为无冲突分隔符的字符串后,直接使用pandas自带的独热编码方法生成结果:
import pandas as pd # 构造示例数据,你可以替换为自己的DataFrame df = pd.DataFrame({ "原始列名": [ ["AC","BB"], ["AD","CB", "FF"], ["AA","CC"], ["CA","BB"], ["AA"] ] }) # 核心代码:|为分隔符,只要确保你的短文本中不含该字符即可 编码结果 = df["原始列名"].str.join("|").str.get_dummies() # 如果需要把编码结果拼回原DataFrame,执行以下代码 df = pd.concat([df, 编码结果], axis=1)
方案2:MultiLabelBinarizer实现(适配所有场景)
如果你的短文本可能包含特殊符号,无法找到无冲突的分隔符,使用sklearn的多标签二值化工具即可:
import pandas as pd from sklearn.preprocessing import MultiLabelBinarizer # 初始化编码器 mlb = MultiLabelBinarizer() # 直接对列表列拟合转换 编码结果 = pd.DataFrame( mlb.fit_transform(df["原始列名"]), columns=mlb.classes_, index=df.index ) # 拼回原DataFrame df = pd.concat([df, 编码结果], axis=1)
两种方案输出的编码结果完全一致,对60个唯一值的场景执行效率没有明显差异。
内容的提问来源于stack exchange,提问作者Borut Flis
相关产品推荐
相关产品推荐

