在Python中对数据帧进行二值化

我有一个带有不同列的熊猫DF（每个列表示语料库中一个单词的频率）。每一行对应一个文档，每一行的类型都是float64

例如：

word1 word2 word3
0.0   0.3   1.0
0.1   0.0   0.5
etc

我想对其进行二值化，而不是以一个布尔值（0s和1s DF）结束频率，该布尔值指示单词的存在

因此，上述示例将转换为：

word1 word2 word3
0      1     1
1      0     1
etc

我查看了get_dummies（），但输出不是预期的。

代码：

import numpy as np
import pandas as pd

""" create some test-data """
random_data = np.random.random([3, 3])
random_data[0,0] = 0.0
random_data[1,2] = 0.0

df = pd.DataFrame(random_data,
     columns=['A', 'B', 'C'], index=['first', 'second', 'third'])

print(df)

""" binarize """
threshold = lambda x: x > 0
df_ = df.apply(threshold).astype(int)

print(df_)

输出：

A         B         C
first   0.000000  0.610263  0.301024
second  0.728070  0.229802  0.000000
third   0.243811  0.335131  0.863908
A  B  C
first   0  1  1
second  1  1  0
third   1  1  1

   word1  word2  word3
0      0      1      1
1      1      0      1

备注:

• get_dummies（）分析每列的每个唯一值，并引入新列（针对每个唯一值）以标记此值是否处于活动状态
• =如果列A有20个唯一值，则添加20个新列，其中只有一列为true，其他列为false

---

强制转换为布尔值将导致任何非零项的

True

，以及任何零项的

False

。如果然后将其转换为整数，则得到1和0

import io
import pandas as pd

data = io.StringIO('''\
word1 word2 word3
0.0   0.3   1.0
0.1   0.0   0.5
''')
df = pd.read_csv(data, delim_whitespace=True)

res = df.astype(bool).astype(int)
print(res)

输出：

A         B         C
first   0.000000  0.610263  0.301024
second  0.728070  0.229802  0.000000
third   0.243811  0.335131  0.863908
A  B  C
first   0  1  1
second  1  1  0
third   1  1  1

   word1  word2  word3
0      0      1      1
1      1      0      1

---

我的回答应该是@Alberto Garcia Raboso，但这里有一个非常快速的替代方案，它利用了相同的想法

使用

np.where

pd.DataFrame(np.where(df, 1, 0), df.index, df.columns)

---

时机

---

找到了另一种使用熊猫索引的方法

这可以简单地通过

df[df>0] = 1

就这么简单