跨列循环选择数据子集生成新变量及多值字符串转1/0编码列最优方法咨询

我来帮你搞定这个问题！处理这类来自select_multiple的多值字符串列生成0/1编码，不管用Python还是R都有很高效的方案，还能轻松实现批量循环处理多列的需求，下面给你详细拆解：

1. 单列生成0/1编码列 #

针对skin_problems这类空格分隔的多值字符串列，Pandas的str.get_dummies方法可以直接搞定，一步生成对应编码：

import pandas as pd

# 模拟你的数据
df = pd.DataFrame({
    'skin_problems': ['1 3 5', '2', '4 5 10', '', '1']
})

# 拆分字符串并生成0/1编码列
dummy_cols = df['skin_problems'].str.get_dummies(sep=' ')
# 把编码列合并回原数据集
df = pd.concat([df, dummy_cols], axis=1)

如果你的数值范围是固定的（比如1到10），可以强制生成所有可能的列，避免因部分数值未出现而缺失：

# 指定所有可能的取值（1到10）
all_vals = [str(i) for i in range(1, 11)]
dummy_cols = df['skin_problems'].str.get_dummies(sep=' ')

# 补充缺失的列并填充0
for val in all_vals:
    if val not in dummy_cols.columns:
        dummy_cols[val] = 0
# 按数值顺序排列列
dummy_cols = dummy_cols[all_vals]

df = pd.concat([df, dummy_cols], axis=1)

2. 循环批量处理多列 #

如果有多个类似的多值列（比如allergies、symptoms），写个循环就能批量生成编码：

# 定义需要处理的多值列列表
multi_value_cols = ['skin_problems', 'allergies', 'symptoms']

for col in multi_value_cols:
    # 生成当前列的编码列
    dummies = df[col].str.get_dummies(sep=' ')
    # 给编码列加前缀，避免列名冲突
    dummies.columns = [f"{col}_{val}" for val in dummies.columns]
    # 合并回原数据集
    df = pd.concat([df, dummies], axis=1)

1. 单列生成0/1编码列 #

用tidyverse工具链可以快速完成拆分转宽的操作，或者用fastDummies包一键生成：

方法一：tidyverse原生实现 #

library(tidyverse)

# 模拟数据
df <- tibble(
    skin_problems = c("1 3 5", "2", "4 5 10", "", "1")
)

df <- df %>%
    # 把空格分隔的字符串拆分为多行
    separate_rows(skin_problems, sep = " ") %>%
    # 标记存在的数值为1
    mutate(value = 1) %>%
    # 转换为宽格式，缺失值填充0
    pivot_wider(names_from = skin_problems, values_from = value, values_fill = 0) %>%
    # 删除空字符串生成的列（如果原数据有空白值）
    select(-``)

方法二：fastDummies一键生成 #

library(fastDummies)

df <- dummy_cols(df, select_columns = "skin_problems", split = " ")

2. 循环批量处理多列 #

用purrr或者基础R循环都能批量处理多列：

# 定义需要处理的多值列列表
multi_value_cols <- c("skin_problems", "allergies", "symptoms")

# 用purrr批量处理并合并
df <- multi_value_cols %>%
    map_dfr(~ dummy_cols(df, select_columns = .x, split = " ")) %>%
    bind_cols(df, .) %>%
    # 可选：删除原多值列
    select(-all_of(multi_value_cols))

# 或者用基础R循环
for (col in multi_value_cols) {
    df <- dummy_cols(df, select_columns = col, split = " ")
}

内容的提问来源于stack exchange，提问作者mmarks