カンマ区切り文字列のデータフレームをワンホットエンコードに変換します。

Question

1つの列で構成される大きなデータフレーム（ 'データ'）があります。列の各行は文字列で構成され、各文字列はカンマで区切られたカテゴリで構成されています。このデータを1つのホットエンコードしたいと思います。このことから

例えば、

data = {"mesh": ["A, B, C", "C,B", ""]} 

私は、以下からなるデータフレームを取得したいと思います：

index  A  B.  C 
0   1  1  1 
1   0  1  1 
2   0  0  0 

私はこれをどのように行うことができますか？

Answer 1

OHEを扱っていないことに注意してください。 + stack + get_dummies + sumstr.splitを使用

オプション1
。

df = pd.DataFrame(data) 
print(df) 
     mesh 
0 A, B, C 
1  C,B 
2   

df = df.mesh.str.split('\s*,\s*', expand=True)\ 
       .stack().str.get_dummies().sum(level=0) 
print(df) 
    A B C 
0 1 1 1 
1 0 1 1 
2 0 0 0 

---

オプション2
apply + value_counts。 Bharath Shettyから学んだちょっとしたトリック。

df = df.mesh.str.split('\s*,\s*', expand=True)\ 
       .apply(pd.Series.value_counts, 1).iloc[:, 1:].fillna(0) 
print(df) 
    A B C 
0 1.0 1.0 1.0 
1 0.0 1.0 1.0 
2 0.0 0.0 0.0 

reset_index続いastypeを用いてさらにつべこべ、：

df = df.astype(int).reset_index() 
print(df) 
    index A B C 
0  0 1 1 1 
1  1 0 1 1 
2  2 0 0 0 

---

オプション3
pd.crosstab

x = df.mesh.str.split('\s*,\s*', expand=True).stack() 
df = pd.crosstab(x.index.get_level_values(0), x.values).iloc[:, 1:] 

print(df) 
col_0 A B C 
row_0   
0  1 1 1 
1  0 1 1 
2  0 0 0