0

我希望能够根据另一个数据帧的级别对数​​据帧进行一次热编码。例如，在下面的示例中，数据提供了两个变量的水平。仅基于这些级别，我想在 data2 中创建虚拟变量。

我该怎么办？

import pandas as pd

#unique levels (A,B for VAR1, and X,Y,Z for VAR2) in
#this dataset determine the possible levels for the following dataset
data = {'VAR1': ['A', 'A', 'A', 'A','B', 'B'],

'VAR2': ['X', 'Y', 'Y', 'Y','X', 'Z']}

frame = pd.DataFrame(data)

#data2 contains same variables as data, but might or might not
#contain same levels

data2 = {'VAR1': ['A', 'C'],

'VAR2': ['X', 'Y']}

frame2 = pd.DataFrame(data2) 

#after applying one hot encoding to data2, this is what it should look like

data_final = {
'A': ['1', '0'],
'B': ['0', '0'],
'X': ['1', '0'],
'Y': ['0', '1'],
'Z': ['0', '0'],
}

frame_final = pd.DataFrame(data_final)
4

1 回答 1

1

可能有很多方法可以实现这一点。无论出于何种原因，我都采用这种方法：

In [74]: part = pd.concat([pd.get_dummies(frame2[x]) for x in frame2], axis=1)

In [75]: part
Out[75]: 
   A  C  X  Y
0  1  0  1  0
1  0  1  0  1

你可以看到我们已经快到了，唯一缺少的列是那些没有出现在frame2B 和 Z 中的任何列。同样有多种方法可以添加这些（我很想知道你认为更合适），但我想使用该reindex_axis方法。要使用它，我们需要另一个包含所有可能值的索引。

In [76]: idx = pd.Index(np.ravel(frame.values)).unique()

In [77]: idx
Out[77]: array(['A', 'X', 'Y', 'B', 'Z'], dtype=object)

最后重新索引并NaN用 0 填充 s：

In [78]: part.reindex_axis(idx, axis=1).fillna(0)
Out[78]: 
   A  X  Y  B  Z
0  1  1  0  0  0
1  0  0  1  0  0

如有必要，您可以进行排序。

于 2013-07-28T19:41:17.547 回答