Python-在多个列中搜索字符串以设置分类变量值

我对Python和Pandas非常陌生，我正试图使用它对一个非常大的数据集（1000万个案例）进行统计分析，因为其他选项（SPSS和R）无法在授权硬件上处理数据集

在这个分析中，我需要按行搜索一系列列（准确地说是30列）以提取单个字符串（可能有大约200个，不确定数据集中实际存在多少个），然后为每个字符串创建一个分类变量

数据如下所示

  Dx1     Dx2     Dx3   etc... 
  001     234     456 
  231     001     444
  245     777     001

我们需要的是

Dx1     Dx2     Dx3  Var001   Var234  Var456  Var231   etc..   
001     234     456  True     True    True    False
231     001     444  True     False   False   True
245     777     001  True     False   False   False

你有什么想法吗

---

df.dtypes显示

AGE                      int64
DISPUNIFORM              int64
DRG                      int64
DRGVER                   int64
Readmit_30D              int64
DXCCS1                   int64
DXCCS2                   int64
DXCCS3                   int64
DXCCS4                   int64
...on to DXCCS30

与

max

一起使用，转换为

bool

，最后转换为原始版本：

df = (df.join(pd.get_dummies(df, prefix_sep='', prefix='')
                .max(level=0, axis=1)
                .astype(bool)
                .add_prefix('Var')))
print (df)

   Dx1  Dx2  Dx3  Var001  Var231  Var245  Var234  Var777  Var444  Var456
0  001  234  456    True   False   False    True   False   False    True
1  231  001  444    True    True   False   False   False    True   False
2  245  777  001    True   False    True   False    True   False   False

我认为您希望将“一个热编码”数据集保持为稀疏矩阵

因此，请尝试以下节省内存的方法：

from sklearn.feature_extraction.text import CountVectorizer

cv = CountVectorizer()

r = pd.SparseDataFrame(cv.fit_transform(df.astype(str).add(' ').sum(axis=1)),
                       columns=cv.get_feature_names(),
                       index=df.index,
                       default_fill_value=0).add_prefix('Var')

结果:

In [85]: r
Out[85]:
   Var001  Var231  Var234  Var245  Var444  Var456  Var777
0       1       0       1       0       0       1       0
1       1       1       0       0       1       0       0
2       1       0       0       1       0       0       1

In [86]: r.memory_usage()
Out[86]:
Index     80
Var001    24
Var231     8
Var234     8
Var245     8
Var444     8
Var456     8
Var777     8
dtype: int64

说明：

为了将所有数据收集到一列中，我使用了以下技巧：

In [89]: df.astype(str).add(' ').sum(axis=1)
Out[89]:
0    001 234 456
1    231 001 444
2    245 777 001
dtype: object

PS不要将生成的稀疏DF与源DF连接，因为这可能会导致“爆炸”它回到正常（非稀疏）DF：

---

我认为这不符合OPs的记忆…：（@jezrael我无法理解“.max（level=0，axis=1）”，为什么添加level=0将合并具有相同列名的列，而不添加level=0将计算每行的最大元素而不区分列名？此外，“pd.get_dummies（df，前缀_sep=”，前缀=“”）获取数据帧的索引是“RangeIndex（start=0，stop=3，step=1）”类型，它不被视为多索引结构？如果方便的话，谢谢您的回答。@AYI-如果只使用

pd.get\u假人（df，prefix\u sep=''，prefix=''）

则会创建重复的列名。因此添加了

.max（level=0，axis=1）

对于按列分组和获取最大值，不使用sum，因为如果相同列中的值1返回2，则指标列应仅包含

0

或

1

。因此，如果double

1

它返回的最大值为

1

@AyiF-它是

df=df.groupby（level=0，axis=1）的shorcuts（）

类似于

df=df.max（level=0，axis=1）

@jezrael这是我第一次通过同时使用关键字参数“level and axis”来接触groups。我键入代码是为了初步理解。感谢您的回答。这是值得学习的。在为SparFrame运行代码时，返回“TypeError:无法将['']与块值进行比较”。@Rorbinson，你能发布

df.dtypes

的输出吗？添加到问题正文中的数据类型。它们大部分是int64。@Rorbinson，你可能想先将它们转换为字符串-我相应地更新了我的答案…效果很好。谢谢。

In [87]: df.join(r)
Out[87]:
   Dx1  Dx2  Dx3  Var001  Var231  Var234  Var245  Var444  Var456  Var777
0  001  234  456       1       0       1       0       0       1       0
1  231  001  444       1       1       0       0       1       0       0
2  245  777  001       1       0       0       1       0       0       1

In [88]: df.join(r).memory_usage()
Out[88]:
Index     80
Dx1       24
Dx2       24
Dx3       24
Var001    24
Var231    24
Var234    24
Var245    24
Var444    24
Var456    24
Var777    24
dtype: int64