从两个值的总和制作虚拟列的pythonic方法

Question

我有一个名为label列的数据框，其值为[0,1,2,3,4,5,6,8,9] 。 我想从中制作虚拟列，但我希望将一些标签连接在一起，因此例如，如果观察值具有标签 0、1 或 2，我希望dummy_012为 1。

如果我使用命令df2 = pd.get_dummies(df, columns=['label']) ，它将创建 9 列，每个标签 1 列。

我知道在那之后我可以使用df2['dummy_012']=df2['dummy_0']+df2['dummy_1']+df2['dummy_2']将它变成一个联合列，但我想知道是否有更多的pythonic方式（或一些我可以只更改连接参数的函数）。

Answer 1

也许这种方法可以给出一个想法：

groups = ['012', '345', '6789']
for gp in groups:
    df.loc[df['Label'].isin([int(x) for x in gp]), 'Label_Group'] = f'dummies_{gp}'

输出：

   Label   Label_Group
0      0   dummies_012
1      1   dummies_012
2      2   dummies_012
3      3   dummies_345
4      4   dummies_345
5      5   dummies_345
6      6  dummies_6789
7      8  dummies_6789
8      9  dummies_6789

然后应用虚拟：

df_dummies = pd.get_dummies(df['Label_Group'])
   dummies_012  dummies_345  dummies_6789
0            1            0             0
1            1            0             0
2            1            0             0
3            0            1             0
4            0            1             0
5            0            1             0
6            0            0             1
7            0            0             1
8            0            0             1

Answer 2

我不知道这是 pythonic，因为可能存在更优雅的解决方案，但我确实允许您更改参数并且它是矢量化的。 我读过 get_dummies() 在处理大量数据时可能会有点慢，而矢量化熊猫通常是一种很好的做法。 所以我对这个函数进行了矢量化，并让它用 numpy 数组进行计算。 与类似函数相比，随着数据集大小的增加，它应该会提高性能。

此函数将您的数据框和数字列表作为字符串，并将返回您想要的列的数据框。

def get_dummy(df,column_nos):
    new_col_name = 'dummy_'+''.join([i for i in column_nos])
    vector_sum = sum([df[i].values for i in column_nos])
    df[new_col_name] = [1 if i>0 else 0 for i in vector_sum]

    return df

如果您希望输入是整数而不是字符串，您可以将上述函数调整为如下所示。

def get_dummy(df,column_nos):
    column_names = ['dummy_'+str(i) for i in column_nos]
    new_col_name = 'dummy_'+''.join([str(i) for i in sorted(column_nos)])

    vector_sum = sum([df[i].values for i in column_names])
    df[new_col_name] = [1 if i>0 else 0 for i in vector_sum]

    return df