Python Pandas Dataframe：如何将一列拆分为多个热编码列

我有这样一个文本文件：

444537110                         3 11112111022002200022022111121222002...

id          chip   g1_0 g1_1 g1_2 g2_0 g2_1 g2_2 g3_0 g3_1 g3_2 g4_0 ... 
444537110   3      0    1    0    0    1    0    0    1    0    0

输入文件中的最后一个字段的长度为50k个字符，并且只有0、1或2个字符。我想要最后一个字段的一个热编码版本。因此，我的预期结果是这样的数据帧：

444537110                         3 11112111022002200022022111121222002...

id          chip   g1_0 g1_1 g1_2 g2_0 g2_1 g2_2 g3_0 g3_1 g3_2 g4_0 ... 
444537110   3      0    1    0    0    1    0    0    1    0    0

我通过读取输入文件创建了一个初始数据帧：

df = pd.read_csv('test.txt', index_col=0, sep='\s+', header=None, names = ['chip', 'genos'])

这将创建一个包含3列的数据框，如下所示：

id        chip  genos
444537110    3  1111211102200220000022022111121222000200022002...

我想我可能可以使用下面的方法创建初始的单独列，然后使用pandas get_dummies函数进行一次热编码，但我无法创建单独的列。我试过了

[c for c in df['genos'].str]

但这并不是将角色分开

我在这里看到了一个类似的问题和答案：

---

但这只处理一个热编码，不处理拆分一个非常大的列所增加的复杂性

首先使用convert string to list和call创建

数据帧

：

如果需要将新列添加到原始列（如果可能缺少某些组合），则由具有

\uuu

的拆分列和由以下人员创建的所有组合使用：

---

考虑到@Dan对您的问题的评论，即您将以50k*3列结束，您可以通过这样做获得所需的输出：

string ="444537110 3 11112111022002200022022111121222002"
df = pd.DataFrame([string.split(" ")],columns=['id','chip','genos'])
max_number_of_genes = int(df.genos.apply(lambda x : len([y for y in x])).max())

#Create columns 
for gene in range(1,max_number_of_genes+1):
    for y in range(4):
        df['g{}_{}'.format(gene, y)] = 0

#Iterating over genos values 
for row_number, row in df.iterrows():
    genos = [int(x) for x in df.iloc[row_number, 2]]
    for gene_number, gene in enumerate(genos):     
        df.loc[row_number, 'g{}_{}'.format(gene_number+1, gene)] = 1 

print(df)

输出

+----+------------+-------+--------------------------------------+-------+-------+-------+-------+-------+-------+-------+------+--------+--------+--------+--------+--------+--------+--------+--------+--------+-------+
|    |    id      | chip  |                genos                 | g1_0  | g1_1  | g1_2  | g1_3  | g2_0  | g2_1  | g2_2  | ...  | g33_2  | g33_3  | g34_0  | g34_1  | g34_2  | g34_3  | g35_0  | g35_1  | g35_2  | g35_3 |
+----+------------+-------+--------------------------------------+-------+-------+-------+-------+-------+-------+-------+------+--------+--------+--------+--------+--------+--------+--------+--------+--------+-------+
| 0  | 444537110  |    3  | 11112111022002200022022111121222002  |    0  |    1  |    0  |    0  |    0  |    1  |    0  | ...  |     0  |     0  |     1  |     0  |     0  |     0  |     0  |     0  |     1  |     0 |
+----+------------+-------+--------------------------------------+-------+-------+-------+-------+-------+-------+-------+------+--------+--------+--------+--------+--------+--------+--------+--------+--------+-------+

---

如果只拆分50k个字符，可以使用原始Python（为了可读性）：

---

猜测您可能需要

df['genos'].str.get_dummies（）

，对提供的数据不确定，尽管尝试了该建议，但没有效果。它返回了一个数据帧，其中一列以genos作为列标题，只有一列value@daragh你能假设你的最后一列只有3个字符长而不是50k，然后发布一些多行样本输入和完整的期望OHE输出吗？这将使你的意图更加清晰。因为从目前的情况看，你似乎想要一个包含3到50k不同值的幂的字段，这似乎是个坏主意（即，太多的列不太有用）@Dan我正在将结果数据帧反馈给神经网络，所以我希望有150k列。你确定这会给出正确的输出吗？genos的第一个基因应该编码为

g1_X

（X取决于它的值）@SebastienD-对不起，现在是晚餐时间，所以现在答案被编辑了。

>>> a,b,c = zip(*[{0:(1,0,0),1:(0,1,0),2:(0,0,1)}[int(c)] for c in df['genos'][0]])
>>> a,b,c
((0, 0, 0, 0, 0, 0, ...), (1, 1, 1, 1, 0, 1, ...), (0, 0, 0, 0, 1, 0, ...))