如何将DataFrame的列表型列值透视转换为二进制标识列？

我来帮你一步步拆解这个需求，刚好能帮你理解透视相关的操作逻辑～先明确你的核心目标：把带列表的c2列，拆分成以列表元素为列名的布尔值列（存在为True，不存在为False），同时保留c1列的对应关系。

原始数据与目标效果 #

先回顾你的输入和期望输出：

# 原始DataFrame
import pandas as pd
df = pd.DataFrame({ 'c1': ['x','y','z'], 'c2': [[1,2,3],[1,3],[2,4]] })

原始结构：

c1        c2
0  x  [1, 2, 3]
1  y     [1, 3]
2  z     [2, 4]

期望的目标结构（数值1/0对应布尔值True/False）：

c1      1      2      3      4
0  x   True   True   True  False
1  y   True  False   True  False
2  z  False   True  False   True

方法一：用explode() + pd.crosstab()（适合理解透视逻辑） #

这个方法完全贴合透视的核心思路，先拆解数据再统计关联：

1. 展开列表：把c2列的每个列表元素拆成单独的行，让每一行只保留c1和单个c2元素的对应关系
2. 交叉透视统计：用pd.crosstab()统计每个c1值对应每个c2元素的出现次数
3. 转换为布尔值：频次为1代表元素存在（转True），0代表不存在（转False）

代码实现：

# 1. 展开c2列的列表，让每个元素单独占一行
df_exploded = df.explode('c2')

# 2. 生成交叉表，统计每个c1对应c2元素的出现次数
cross_table = pd.crosstab(df_exploded['c1'], df_exploded['c2'])

# 3. 转换为布尔值，并把c1从索引变回普通列
result = cross_table.astype(bool).reset_index().rename_axis(None, axis=1)

print(result)

方法二：用str.get_dummies()（更简洁的写法） #

如果想简化步骤，可以利用字符串拆分的技巧直接生成目标列：

1. 把列表转为分隔符连接的字符串：比如[1,2,3]转成"1|2|3"
2. 拆分字符串生成虚拟列：用str.get_dummies()按分隔符拆分，自动生成以元素为列名的0/1列
3. 合并原始列并转布尔值：和c1列合并后，把0/1数值转为布尔值

代码实现：

# 1. 将列表转为用|分隔的字符串，再拆分生成0/1虚拟列
dummies = df['c2'].apply(lambda x: '|'.join(map(str, x))).str.get_dummies(sep='|')

# 2. 和c1列合并，并转换为布尔值
result = pd.concat([df['c1'], dummies.astype(bool)], axis=1)

print(result)

这两种方法都能达到你的需求，第一种更适合学习透视操作的逻辑（拆解→统计→转换），第二种则是利用pandas的字符串方法简化步骤，你可以根据自己的理解习惯选择～

内容的提问来源于stack exchange，提问作者Neckless Cage