想要 get_dummies 获取列中最频繁的请求值 - Pandas

Question

我正在通过推文开发一个 go 的程序，并预测作者是否属于两个类别之一。 我想要 get_dummies 来确定一条推文是否包含前 10 个主题标签中的任何一个，或者它是否包含“其他”。 （最后我可能会使用前 500 个左右的主题标签，而不仅仅是 10 个，数据集总共超过 500,000 列，具有超过 50,000 个独特的主题标签）

这是我第一次使用 pandas，如果我的问题不清楚，我深表歉意，但我认为我期望的是数据集中的每一行都会被赋予一个新列，每个标签对应一个，然后是 [如果该行包含该主题标签，则 row][column] 对将为 1，否则为 0。 还会有一个其他列，表示它有其他不在前 10 名中的主题标签。

我知道如何确定列中出现频率最高的已经

counts = df.hashtags.value_counts()
counts.nlargest(10)

我也知道如何获得假人，我只是不知道如何添加不为每个主题标签制作一个的参数。

dummies = pd.get_dummies(df, columns=['hashtags'])

如果我可以更清楚或提供更多信息，请告诉我。 感谢帮助！

Answer 1

没有时间生成数据并全力以赴。 但是，尽管我会为您提供这个想法，以防它对您有所帮助。

这个想法是利用.isin()来获取构建假人所需的值。 然后利用索引的力量来匹配源行。

就像是：

pd.get_dummies(df.loc[df['hashtags'].isin(counts.nlargest(10).index)], columns=['hashtags']) 

您将不得不查看指数是否能满足您的需求。