web-dev-qa-db-fra.com

Créer des nuls à partir d'une colonne à valeurs multiples dans les pandas

Je cherche un moyen pythonique de gérer le problème suivant.

La méthode pandas.get_dummies() est idéale pour créer des nuls à partir d'une colonne catégorielle d'une trame de données. Par exemple, si la colonne a des valeurs dans ['A', 'B'], get_dummies() crée 2 variables nominales et affecte 0 ou 1 en conséquence.

Maintenant, je dois gérer cette situation. Une seule colonne, appelons-la 'étiquette', a des valeurs telles que ['A', 'B', 'C', 'D', 'A*C', 'C*D']. get_dummies() crée 6 nuls, mais je n'en veux que 4, de sorte qu'une ligne puisse avoir plusieurs 1. 

Existe-t-il un moyen de gérer cela de manière pythonique? Je ne pouvais penser qu'à un algorithme pas à pas pour l'obtenir, mais cela n'inclurait pas get_dummies (). Merci

Edité, espérons que c'est plus clair!

pythonpandasdummy-datacategorical-data
24
mkln

Je sais que cette question a été posée il y a longtemps, mais il y a (au moins maintenant il y a) un one-liner soutenu par la documentation :

In [4]: df
Out[4]:
      label
0  (a, c, e)
1     (a, d)
2       (b,)
3     (d, e)

In [5]: df['label'].str.join(sep='*').str.get_dummies(sep='*')
Out[5]:
   a  b  c  d  e
0  1  0  1  0  1
1  1  0  0  1  0
2  0  1  0  0  0
3  0  0  0  1  1
53
offbyone

J'ai une solution un peu plus propre. Supposons que nous voulions transformer le dataframe suivant

   pageid category
0       0        a
1       0        b
2       1        a
3       1        c

dans

        a  b  c
pageid         
0       1  1  0
1       1  0  1

Une façon de le faire est d'utiliser DictVectorizer de scikit-learn. Je serais cependant intéressé à apprendre d'autres méthodes.

df = pd.DataFrame(dict(pageid=[0, 0, 1, 1], category=['a', 'b', 'a', 'c']))

grouped = df.groupby('pageid').category.apply(lambda lst: Tuple((k, 1) for k in lst))
category_dicts = [dict(tuples) for tuples in grouped]
v = sklearn.feature_extraction.DictVectorizer(sparse=False)
X = v.fit_transform(category_dicts)

pd.DataFrame(X, columns=v.get_feature_names(), index=grouped.index)
5
ariddell

Vous pouvez générer le cadre de données factice avec vos données brutes, isoler les colonnes contenant un atome donné, puis stocker le résultat dans la colonne Atome.

df
Out[28]: 
  label
0     A
1     B
2     C
3     D
4   A*C
5   C*D

dummies = pd.get_dummies(df['label'])

atom_col = [c for c in dummies.columns if '*' not in c]

for col in atom_col:
    ...:     df[col] = dummies[[c for c in dummies.columns if col in c]].sum(axis=1)
    ...:     

df
Out[32]: 
  label  A  B  C  D
0     A  1  0  0  0
1     B  0  1  0  0
2     C  0  0  1  0
3     D  0  0  0  1
4   A*C  1  0  1  0
5   C*D  0  0  1  1
4
Boud

Je crois que cette question nécessite une réponse mise à jour après avoir rencontré le MultiLabelBinarizer de sklearn.

L'utilisation de ceci est aussi simple que ...

# Instantiate the binarizer
mlb = MultiLabelBinarizer()

# Using OP's original data frame
df = pd.DataFrame(data=['A', 'B', 'C', 'D', 'A*C', 'C*D'], columns=["label"])

print(df)
  label
0     A
1     B
2     C
3     D
4   A*C
5   C*D

# Convert to a list of labels
df = df.apply(lambda x: x["label"].split("*"), axis=1)

print(df)
0       [A]
1       [B]
2       [C]
3       [D]
4    [A, C]
5    [C, D]
dtype: object

# Transform to a binary array
array_out = mlb.fit_transform(df)

print(array_out)
[[1 0 0 0]
 [0 1 0 0]
 [0 0 1 0]
 [0 0 0 1]
 [1 0 1 0]
 [0 0 1 1]]

# Convert back to a dataframe (unnecessary step in many cases)
df_out = pd.DataFrame(data=array_out, columns=mlb.classes_)

print(df_out)
   A  B  C  D
0  1  0  0  0
1  0  1  0  0
2  0  0  1  0
3  0  0  0  1
4  1  0  1  0
5  0  0  1  1

Ceci est également très rapide et ne prend pratiquement pas de temps (0,03 seconde) sur 1000 lignes et 50 000 classes.

0
Chris Farr