Python 3.x 如何对熊猫中的混合字符串和数字单元格值进行热编码？

我有一个数据集，我需要一个热编码不同材料的混合物组成。 “我的数据集”的列如下所示：

id            Composition 
0             ZrB2 - 5% B4C
1    HfB2 - 15% SiC - 3% WC
2            HfB2 - 15% SiC

我需要把它放在以下格式：

0)
ZrB2                                 95
HfB2                                  0
SiC                                   0
B4C                                   5
WC                                    0
1)
ZrB2                                  0
HfB2                                  82
SiC                                   15
B4C                                   0
WC                                    3
2)
ZrB2                                  0
HfB2                                  85
SiC                                   15
B4C                                   0
WC                                    0
WB                                    0

这不是热编码，而是将字符串列表解析为组成部分

每个组件由“-”分隔

每个组件由百分比和列名两部分组成。构建与这些组成部分匹配的re

从

列表

/

目录

中，将其放入数据帧中

用于计算未定义列的%age的完整逻辑

data=['ZrB2-5%B4C'，'HfB2-15%SiC-3%WC'，'HfB2-15%SiC']
dfhc=pd.DataFrame（{“Composition”：data}）
#构建一个dict列表，其中dict的形式为{'ZrB2'：-1，'B4C'：'5'}
#如果没有%age，则默认为-1，以后再计算
parse1=[{tt[1]：tt[0]。如果len（tt[0]）>0 else-1，则替换（“%”，“”）
对于r中的t
#解析出标记和百分比，排除空元组（re.findall（）的默认行为）
如果x！=（“”，“”）的话，“（[0-9]*[%]？[]？）（[A-Z，A-Z，0-9]*）”，t）中的tt
}
#每列以“-”分隔
对于dfhc[“组合”]中的r，在[re.split（“-”，r）中表示r。值]
]
df=pd.DataFrame（解析1）
#数据类型对于sum（）的工作非常重要
df=df.astype（{c:np.float64表示df.columns}中的c）
#其中%年龄未知，默认为-1，将其设置为100-其他COL的总和
对于df.columns中的c：
掩码=df[df[c]=-1]。索引
df.loc[mask，c]=100-df.loc[mask，[cc代表df.columns中的cc，如果cc！=c]].sum（轴=1）
打印（f“{dfhc.to_string（index=False）}\n\n{df.to_string（index=False）}\n\n{parse1}”）

输出

            Composition
          ZrB2 - 5% B4C
 HfB2 - 15% SiC - 3% WC
         HfB2 - 15% SiC

 ZrB2  B4C  HfB2   SiC   WC
 95.0  5.0   NaN   NaN  NaN
  NaN  NaN  82.0  15.0  3.0
  NaN  NaN  85.0  15.0  NaN

[{'ZrB2': -1, 'B4C': '5'}, {'HfB2': -1, 'SiC': '15', 'WC': '3'}, {'HfB2': -1, 'SiC': '15'}]