Python 将Dataframe列中的列表拆分为特定的列名

我有一个关于将dataframe列中的列表拆分为多个列的问题。但拆分的每个值都需要放在特定的列中

假设我有这个数据帧：

date                   data
2020-01-01 00:00:00    [G07, G08, G10, G16]
2020-01-01 00:00:01    [G07, G08, G16]
2020-01-01 00:00:02    [G08, G10, G16, G20, G21]
2020-01-01 00:00:03    [G16, G20, G21, G26, G27, R02]
2020-01-01 00:00:04    [G07, G08, G26, G27]

我在寻找这样的结果：

date                   G07  G08  G10  G16  G20  G21  G26  G27  R02
2020-01-01 00:00:00    G07  G08  G10  G16  NaN  NaN  NaN  NaN  NaN
2020-01-01 00:00:01    G07  G08  NaN  G16  NaN  NaN  NaN  NaN  NaN
2020-01-01 00:00:02    NaN  G08  G10  G16  G20  G21  NaN  NaN  NaN
2020-01-01 00:00:03    NaN  NaN  NaN  G16  G20  G21  G26  G27  R02
2020-01-01 00:00:04    G07  G08  NaN  NaN  NaN  NaN  G26  G27  NaN

要最终得到这种矩阵：

date                   G07  G08  G10  G16  G20  G21  G26  G27  R02
2020-01-01 00:00:00    1    1    1    1    0    0    0    0    0
2020-01-01 00:00:01    1    1    0    1    0    0    0    0    0    
2020-01-01 00:00:02    0    1    1    1    1    1    0    0    0    
2020-01-01 00:00:03    0    0    0    1    1    1    1    1    1    
2020-01-01 00:00:04    1    1    0    0    0    0    1    1    0    

通过执行此类型的命令：

In [1] pd.DataFrame(self.df['data'].to_list())

Out [1] date                   1    2    3    4    5    6    
        2020-01-01 00:00:00    G07  G08  G10  G16
        2020-01-01 00:00:01    G07  G08  G16
        2020-01-01 00:00:02    G08  G10  G16  G20  G21
        2020-01-01 00:00:03    G16  G20  G21  G26  G27  R02
        2020-01-01 00:00:04    G07  G08  G26  G27

我只能将列表拆分为其他列。但我无法找到将每个值放入特定列的方法

我一直在考虑对每个日期的每个值进行循环，但速度非常慢，而且我有超过1000000行的数据集。

请尝试通过

join（）

、

strip（）

、

get\u dummies（）

和

drop（）

方法：

out=df.join(df['data'].astype(str).str.strip('[]').str.get_dummies(',')).drop('data',1)

输出的输出

：

另一种方法：

x=(
pd.DataFrame（[{k:1表示v中的k}v表示df中的v[“数据”]）
.替换（np.nan，0）
.astype（int）
)
打印（局部浓度（[df[“日期”]，x]，轴=1））

印刷品：

日期G07 G08 G10 G16 G20 G21 G26 G26 G27 G26 G27 R02
0  2020-01-01 00:00:00    1    1    1    1    0    0    0    0    0
1  2020-01-01 00:00:01    1    1    0    1    0    0    0    0    0
2  2020-01-01 00:00:02    0    1    1    1    1    1    0    0    0
3  2020-01-01 00:00:03    0    0    0    1    1    1    1    1    1
4  2020-01-01 00:00:04    1    1    0    0    0    0    1    1    0

从

sklearn

from sklearn.preprocessing import MultiLabelBinarizer

mlb = MultiLabelBinarizer()

s = pd.DataFrame(mlb.fit_transform(df['data']),columns=mlb.classes_, index=df.index)

df = df.join(s)

---

再添加一个方法：

k = df.explode('data').assign(temp = 1)
df = k.pivot(*k).fillna(0)

进一步改造（如需要）：

输出：

                  date  G07  G08  G10  G16  G20  G21  G26  G27  R02
0  2020-01-01 00:00:00    1    1    1    1    0    0    0    0    0
1  2020-01-01 00:00:01    1    1    0    1    0    0    0    0    0
2  2020-01-01 00:00:02    0    1    1    1    1    1    0    0    0
3  2020-01-01 00:00:03    0    0    0    1    1    1    1    1    1
4  2020-01-01 00:00:04    1    1    0    0    0    0    1    1    0

用熊猫做什么

（dataf
.爆炸（“数据”）
.pivot（index=“date”、columns=“data”、values=“data”）
.notna（）
.astype（int））

我们得到所需的输出格式：

data                  G08   G1   G10   G16   G2  ...   G27   R0  G07  G08  G16
date                                             ...                          
2020-01-01 00:00:00     1    1     1     0    0  ...     0    0    1    0    0
2020-01-01 00:00:01     1    1     0     0    0  ...     0    0    1    0    0
2020-01-01 00:00:02     0    0     1     1    1  ...     0    0    0    1    0
2020-01-01 00:00:03     0    0     0     0    0  ...     1    1    0    0    1
2020-01-01 00:00:04     1    0     0     0    1  ...     0    0    1    0    0

我们分解

数据

列，以

日期

作为索引，以

数据

作为列值来透视表。然后，从检查

na

中使用get

True

或

False

，并转换为

int

；）

数据和代码

输入io
作为pd进口熊猫
数据=io.StringIO（“”）
日期|数据
2020-01-01 00:00:00 |[G07、G08、G10、G16]
2020-01-01 00:00:01 |[G07、G08、G16]
2020-01-01 00:00:02 |[G08、G10、G16、G20、G21]
2020-01-01 00:00:03 |[G16、G20、G21、G26、G27、R02]
2020-01-01 00:00:04 |[G07、G08、G26、G27]
""")
dataf=pd.read_csv（data，sep=“|”，parse_dates=[“date”]，converters={“data”：lambda x:x[1:-2]。拆分（“，”}）

我建议使用较大的数据帧。非常感谢您的快速响应。但在输出端，G08和G16列似乎是重复的。您看到了吗？

data                  G08   G1   G10   G16   G2  ...   G27   R0  G07  G08  G16
date                                             ...                          
2020-01-01 00:00:00     1    1     1     0    0  ...     0    0    1    0    0
2020-01-01 00:00:01     1    1     0     0    0  ...     0    0    1    0    0
2020-01-01 00:00:02     0    0     1     1    1  ...     0    0    0    1    0
2020-01-01 00:00:03     0    0     0     0    0  ...     1    1    0    0    1
2020-01-01 00:00:04     1    0     0     0    1  ...     0    0    1    0    0