Python新手：数据挖掘场景下如何简单实现指定数据集转换？

作为Python新手，用Pandas库就能非常简便地完成这个转换——这是数据处理领域最常用的工具，处理这类宽表转换简直是拿手好戏。

步骤1：整理原始数据 #

首先我们需要把你的原始数据拆分成「每个采购记录对应的商品列表」。结合你给出的目标数据集，假设原始数据对应3个采购记录，商品分别是：

• 记录1: milk, egg, sausage, butter
• 记录2: water, egg
• 记录3: egg, sugar, cake, water

我们先把这些数据组织成列表形式：

# 原始采购记录：每个子列表是一个采购单的商品
purchase_records = [
    ["milk", "egg", "sausage", "butter"],
    ["water", "egg"],
    ["egg", "sugar", "cake", "water"]
]

步骤2：用Pandas生成目标格式 #

接下来用Pandas的get_dummies和concat方法快速生成二进制矩阵，再调整格式匹配你的需求：

import pandas as pd

# 1. 将每个采购记录转为Series，标记已购买的商品为1
series_list = []
for idx, items in enumerate(purchase_records, start=1):
    # 商品名作为索引，值设为1表示已购买
    s = pd.Series(1, index=items, name=idx)
    series_list.append(s)

# 2. 合并所有采购记录，缺失值填充为0（表示未购买）
df = pd.concat(series_list, axis=1).fillna(0).T

# 3. 将0/1转换为TRUE/FALSE，添加记录ID列
df = df.astype(bool).reset_index().rename(columns={"index": "ID"})

# 4. 调整列顺序和目标完全一致（可选）
target_columns = ["milk", "egg", "sausage", "butter", "sugar", "cake", "water"]
df = df[["ID"] + target_columns]

# 输出结果
print(df)

运行代码后，你会得到和目标几乎一致的输出：

ID   milk    egg  sausage  butter  sugar   cake  water
0   1   True   True     True    True  False  False  False
1   2  False   True    False   False  False  False   True
2   3  False   True    False   False   True   True   True

关键步骤解释 #

• pd.Series(1, index=items)：把每个采购单的商品作为索引，值设为1，明确标记该商品被购买。
• pd.concat(...)：把所有采购单的Series合并成宽表，缺失的位置自动填充NaN，我们用fillna(0)把未购买的商品标记为0。
• .astype(bool)：将0/1转换成布尔值（False/True），完美匹配你要的目标格式。

如果原始数据是长字符串怎么办？ #

如果你的原始数据是未拆分的字符串，比如：

raw_data = "PurchaseLine01 milk egg sausage butter PurchaseLine02 water egg PurchaseLine03 egg sugar cake water"

可以先拆分字符串提取采购记录：

# 按采购行标记分割字符串
parts = raw_data.split("PurchaseLine")[1:]

# 提取每个采购记录的商品
purchase_records = []
for part in parts:
    # 去掉开头的行号，剩下的就是商品列表
    items = part.strip().split()[1:]
    purchase_records.append(items)

# 之后就可以用上面的Pandas代码处理了

这样不管原始数据是列表还是字符串，都能快速转换成你需要的目标格式。

内容的提问来源于stack exchange，提问作者Krukiou