如何用Pandas实现字符级拆分的空格分隔独热编码

我来帮你搞定这个需求！你现在的问题是，str.get_dummies(' ')会把空格分隔的子串（比如"ap"）当成独立的特征，但你希望不管字符是分开还是连在一起的，都按单个字符来生成独热编码。下面给你两种可行的解决方案：

方法一：字符串预处理 + get_dummies #

核心思路是先把所有字符串中的空格去掉，再将每个字符拆出来用空格连接，最后用get_dummies生成编码：

import pandas as pd
import numpy as np

# 初始化你的数据
df = pd.DataFrame(["c", "b", "a p", np.nan, "ap"])

# 处理流程：填充空值 → 移除空格 → 拆分单个字符 → 用空格连接 → 生成独热编码
result = df[0].fillna('')\
              .str.replace(' ', '')\
              .str.findall('.')\
              .str.join(' ')\
              .str.get_dummies(' ')

print(result)

输出结果完全符合你的期望：

a  b  c  p
0  0  0  1  0
1  0  1  0  0
2  1  0  0  1
3  0  0  0  0
4  1  0  0  1

步骤解释： #

• fillna('')：把NaN值替换为空字符串，避免后续字符串操作报错
• str.replace(' ', '')：移除所有空格，只保留纯字符内容
• str.findall('.')：匹配每个单个字符，返回字符列表（比如"ap"会变成['a','p']）
• str.join(' ')：把字符列表用空格重新连接成字符串，让get_dummies能识别每个字符为独立类别
• str.get_dummies(' ')：按空格分割生成独热编码，此时每个字符都是单独的特征

方法二：用explode + crosstab实现 #

另一种更直观的思路是把每个字符拆分成单独的行，再用交叉表统计生成编码：

import pandas as pd
import numpy as np

df = pd.DataFrame(["c", "b", "a p", np.nan, "ap"])

# 处理空值 → 移除空格 → 拆分字符列表 → 展开为单行单个字符
exploded_chars = df[0].fillna('')\
                      .str.replace(' ', '')\
                      .str.findall('.')\
                      .explode()

# 用交叉表统计每个原行对应的字符出现情况，对齐原索引
result = pd.crosstab(exploded_chars.index, exploded_chars).reindex(df.index, fill_value=0)

print(result)

这个方法同样能得到你想要的结果，适合需要更灵活处理字符的场景。

步骤解释： #

• explode()：把每个字符列表拆分成单独的行，每个字符对应原数据的行索引
• pd.crosstab()：统计每个索引（原行号）下各字符的出现次数，自动生成独热编码格式
• reindex(df.index, fill_value=0)：对齐原数据的索引，没有字符的行填充0，保证结果行数和原数据一致

内容的提问来源于stack exchange，提问作者Kathiravan Natarajan