将一个热编码列复制到假人，包括“其他”编码[重复]

Question

我的最终目标是对熊猫专栏进行热编码。在本例中，我想对一列“b”进行热编码，如下所示：保存苹果、香蕉和桔子，并将任何其他水果编码为“其他”。

示例：在下面的代码中，“葡萄柚”将被改写为“其他”，如果“猕猴桃”和“鳄梨”出现在我的数据中，它们也将被改写为“其他”。

以下代码有效：

df = pd.DataFrame({
    "a": [1,2,3,4,5],
    "b": ["apple", "banana", "banana", "orange", "grapefruit"],
    "c": [True, False, True, False, True],
})
print(df)

def analyze_fruit(s):
    if s in ("apple", "banana", "orange"):
        return s
    else:
        return "other"

df['b'] = df['b'].apply(analyze_fruit)

df2 = pd.get_dummies(df['b'], prefix='b')
print(df2)

我的问题是：有没有一种更短的方法来做analyze\u fruit（）业务？我尝试了DataFrame。将（）替换为否定的先行断言，但未成功。




Answer 1

匿名用户

您可以在get_dummies之前设置category，然后fillna任何与设置的类别不匹配的内容都将变为NaN，可以通过fillna轻松填充。Category的另一个好处是，这里还可以通过添加ordered=True来定义排序：

df['b'] = pd.Categorical(
    df['b'],
    categories=['apple', 'banana', 'orange', 'other']
).fillna('other')

df2 = pd.get_dummies(df['b'], prefix='b')

用类似于np.where的标准替换在这里也可以工作，但是通常虚拟数据用于类别数据，因此能够添加顺序，以便虚拟列以设置的顺序出现可能会有所帮助：

# import numpy as np


df['b'] = np.where(df['b'].isin(['apple', 'banana', 'orange']),
                   df['b'],
                   'other')

df2 = pd.get_dummies(df['b'], prefix='b')

两者都产生df2：

   b_apple  b_banana  b_orange  b_other
0        1         0         0        0
1        0         1         0        0
2        0         1         0        0
3        0         0         1        0
4        0         0         0        1