Python 对数据帧进行不同于热数据帧的编码
假设我有一个类似的df,它注册了一个电脑游戏中6名玩家(3v3)中的每一位选择的可玩角色Python 对数据帧进行不同于热数据帧的编码,python,pandas,dataframe,sparse-matrix,one-hot-encoding,Python,Pandas,Dataframe,Sparse Matrix,One Hot Encoding,假设我有一个类似的df,它注册了一个电脑游戏中6名玩家(3v3)中的每一位选择的可玩角色 data = {'Pick_1_team1': ['A','A','A','B','C'], 'Pick_2_team1': ['D','D','E','F','F'], 'Pick_3_team1': ['G','G','A','M','O'], 'Pick_1_team2': ['Q','Q','S','S','A'], 'Pick_2_t
data = {'Pick_1_team1': ['A','A','A','B','C'],
'Pick_2_team1': ['D','D','E','F','F'],
'Pick_3_team1': ['G','G','A','M','O'],
'Pick_1_team2': ['Q','Q','S','S','A'],
'Pick_2_team2': ['V','W','X','A','B'],
'Pick_3_team2': ['R','X','W','W','R']}
df = pd.DataFrame(data)
df_enc = pd.get_dummies(df)
当我使用panda的get_假人时,我将获得具有以下结构的稀疏df(示例,而不是示例df中的实际编码)
对于两支球队,每个选秀时段都有每个可能的选秀(A-Z)
| P1_T1_A | P1_T1_B | P1_T1_C | ... | P2_T1_A | ... | P3_T1_Z | ... | P1_T2_A | P1_T2_B | ... | P3_T2_Z |
|---------|---------|---------|-----|---------|-----|---------|-----|---------|---------|-----|---------|
| 0 | 0 | 1 | ... | 0 | ... | 0 | ... | 1 | 0 | ... | 1 |
| 1 | 0 | 0 | ... | 0 | ... | 0 | ... | 0 | 1 | ... | 1 |
| 1 | 0 | 0 | ... | 0 | ... | 0 | ... | 0 | 0 | ... | 0 |
这是可以的,但是如果你考虑一个更大的输入空间(有150个+可能的选择),表增长非常大。为了使其更易于管理,我考虑以某种方式将其编码为以下格式:
每个类别(角色)一列x每个团队2列,如果该角色被选中,则为1列,否则为0列| T1_A | T1_B | T1_C | ... | T1_Z | ... | T2_A | T2_B | ... | T2_Z |
|------|------|------|-----|------|-----|------|------|-----|------|
| 0 | 0 | 1 | ... | 0 | ... | 1 | 1 | ... | 1 |
| 1 | 1 | 1 | ... | 0 | ... | 0 | 0 | ... | 1 |
| 1 | 0 | 0 | ... | 0 | ... | 0 | 0 | ... | 0 |
这会将特征编号限制为精选数量x团队数量(26个字母*2个团队),而不是可能的精选数量x精选数量x团队数量(26个字母*3个精选*2个团队)
panda可以通过任何内置功能实现这一点吗?如果不是,最简单的方法是什么
感谢您的帮助!
谢谢。您可以首先选择一个团队,使用
过滤器,堆栈数据并使用str.get_dummies
,然后选择groupby
级别=0(原始df中的行)和sum
<代码>将_前缀添加到concat
之前的列,如:
df_ = pd.concat([
(df.filter(like=f'Pick_{i}').stack()
.str.get_dummies()
.groupby(level=0).sum()
.add_prefix(f'T{i}_')
) for i in [1,2] ],
axis=1)
print (df_)
T1_A T1_B T1_C T1_D T1_E T1_F T1_G T1_M T1_O T2_A T2_B T2_Q \
0 1 0 0 1 0 0 1 0 0 0 0 1
1 1 0 0 1 0 0 1 0 0 0 0 1
2 2 0 0 0 1 0 0 0 0 0 0 0
3 0 1 0 0 0 1 0 1 0 1 0 0
4 0 0 1 0 0 1 0 0 1 1 1 0
T2_R T2_S T2_V T2_W T2_X
0 1 0 1 0 0
1 0 0 0 1 1
2 0 1 0 1 1
3 0 1 0 1 0
4 1 0 0 0 0
如果只需要1,0
值,则将get_dummies
与聚合max
一起使用;如果需要计数值,则使用sum
:
df_enc = (pd.get_dummies(df.rename(columns=lambda x:x.split('_', 2)[-1].replace('team','T')))
.max(axis=1, level=0)
.sort_index(axis=1, level=0))
print (df_enc)
T1_A T1_B T1_C T1_D T1_E T1_F T1_G T1_M T1_O T2_A T2_B T2_Q \
0 1 0 0 1 0 0 1 0 0 0 0 1
1 1 0 0 1 0 0 1 0 0 0 0 1
2 1 0 0 0 1 0 0 0 0 0 0 0
3 0 1 0 0 0 1 0 1 0 1 0 0
4 0 0 1 0 0 1 0 0 1 1 1 0
T2_R T2_S T2_V T2_W T2_X
0 1 0 1 0 0
1 0 0 0 1 1
2 0 1 0 1 1
3 0 1 0 1 0
4 1 0 0 0 0
请详细说明原始数据中的团队在哪里?这里只有选择和信件。谢谢,我试过了。基本上,one.hot的工作方式是将每个列分成列+可能的类别。我想把它重新排列成每一个可能的类别一列(x2个团队),如果这个角色被选中,则用1填充。@jezrael没什么错!我会接受这两种解决方案,除非它不让我接受。我能够将Ben.T解推广到不同的df。可能是因为我不习惯熊猫。@jcf-好吧,我很惊讶,谢谢