我必须要循环吗？有没有更快的方法来建立虚拟变量？

Question

我有一些植物数据，看起来像（但我有多达7个属性）。

     Unnamed: 0     plant          att_1           att_2 ...
0            0     plant_a         sunlover        tall
1            1     plant_b         waterlover      sunlover
2            2     plant_c         fast growing    sunlover

我试着用pandas get_dummies这样的方法：

df = pd.DataFrame({'A': ['a', 'b', 'a'], 'B': ['b', 'a', 'c'],'C': [1, 2, 3]})

pd.get_dummies(df, prefix=['col1', 'col2']):

.

 C  col1_a  col1_b  col2_a  col2_b  col2_c
 0  1       1       0       0       1       0
 1  2       0       1       1       0       0
 2  3       1       0       0       0       1

但是，sunlover应该被编码为1，但它却在att_1或att_2中。那么我最终会得到大约30个虚拟变量，而不是7 * 30 = 210个变量。我已经尝试循环整个集合，并为每个虚拟变量添加值。

for count, plants in enumerate(data_plants.iterrows()):
  print("First", count, plants)
  for attribute in plants:
        print("Second", count, attribute)

代码只是打印，因为我看到了代码浪费时间的问题。 这工作，但它不够快，无法用于100k或更多的行。我想过使用.value_counts()来获取属性，然后访问dataframe虚变量将其更新为1，但这样我就会覆盖属性。 此刻我有点迷茫，没有了主意。也许我必须使用其他包？

我们的目标是这样的。

     Unnamed: 0     plant          att_1           att_2       sunlover      waterlover     tall  ...
0            0     plant_a         sunlover        tall        1             0              1
1            1     plant_b         waterlover      sunlover    1             1              0
2            2     plant_c         fast growing    sunlover    1             0              0

Answer 1

使用 get_dummies 与 max:

c = ['att_1', 'att_2']
df1 = df.join(pd.get_dummies(df[c], prefix='', prefix_sep='').max(axis=1, level=0))
print (df1)
     plant         att_1     att_2  fast growing  sunlover  waterlover  tall
0  plant_a      sunlover      tall             0         1           0     1
1  plant_b    waterlover  sunlover             0         1           1     0
2  plant_c  fast growing  sunlover             1         1           0     0

绩效： 3k 行，在真实数据中应该是不同的。

df = pd.concat([df] * 1000, ignore_index=True)


In [339]: %%timeit
     ...: 
     ...: c = ['att_1', 'att_2']
     ...: df1 = df.join(pd.get_dummies(df[c], prefix='', prefix_sep='').max(axis=1, level=0))
     ...: 
     ...: 
10.7 ms ± 1.11 ms per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [340]: %%timeit
     ...: attCols = df[['att_1', 'att_2']]
     ...: colVals = pd.Index(np.sort(attCols.stack().unique()))
     ...: def myDummies(row):
     ...:     return pd.Series(colVals.isin(row).astype(int), index=colVals)
     ...: 
     ...: df1 = df.join(attCols.apply(myDummies, axis=1))
     ...: 
     ...: 
1.03 s ± 22 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

另一种解决方案。

In [133]: %%timeit
     ...: c = ['att_1', 'att_2']
     ...: df1 = (df.join(pd.DataFrame([dict.fromkeys(x, 1) for x in df[c].to_numpy()])
     ...:                  .fillna(0)
     ...:                  .astype(np.int8)))
     ...:                  
13.1 ms ± 723 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

Answer 2

你需要的只是在某些方面 类似 到 get_dummies但你应该采取其他方式。

定义一个viev的 df，仅限于你的 "属性 "列。

attCols = df[['att_1', 'att_2']]

在你的目标版本中，在这里添加其他 "属性 "列。

然后定义一个包含唯一属性名的索引。

colVals = pd.Index(np.sort(attCols.stack().unique()))

第三步是定义一个函数，计算当前行的结果。

def myDummies(row):
    return pd.Series(colVals.isin(row).astype(int), index=colVals)

最后一步是将这个函数的计算结果连接到每一条来自于 "属性 "列的记录。attCols:

df = df.join(attCols.apply(myDummies, axis=1))

对于你的样本数据，结果是：

     plant         att_1     att_2  fast growing  sunlover  tall  waterlover
0  plant_a      sunlover      tall             0         1     1           0
1  plant_b    waterlover  sunlover             0         1     0           1
2  plant_c  fast growing  sunlover             1         1     0           0