Python 将dataframe列标题复制到数据的标签

摘要：代码的输出为我提供了以下格式的数据帧。数据框的列标题是列

Content

中文本的标签。在下一步中，标签将用作多标签分类器的训练数据。这是一个更大的实际数据片段

由于它们是列标题，因此无法将它们映射到作为标签的文本

Content  A  B  C  D  E
    zxy  1  2     1   
    wvu  1     2  1   
    tsr  1  2        2
    qpo     1  1  1   
    nml        2  2   
    kji  1     1     2
    hgf        1     2
    edc  1  2     1              

更新：将df转换为csv显示空单元格为空（

'

vs

'

）：

其中，

Content

是文本所在的列，

A

、

B

、

C

、

D

和

E

是需要转换为标签的列标题。只有带1或2的列才相关。带有空单元格的列不相关，因此不需要转换为标签

更新：经过一些挖掘，可能数字不是整数，而是字符串

我知道，当将文本+标签输入分类器进行处理时，两个数组的长度必须相等，否则不能接受为有效输入

是否有办法将DF中的

Content

中的列标题转换为文本标签

预期输出：

>>Content  A  B  C  D  E     Labels
0   zxy    1  2     1        A, B, D  
1   wvu    1     2  1        A, C, D
2   tsr    1  2        2     A, B, E
3   qpo       1  1  1        B, C, D
4   nml          2  2        C, D    
5   kji    1     1     2     A, C, E
6   hgf          1     2     C, E
7   edc    1  2     1        A, B, D   

完整解决方案：

#首先：清除字符前后的所有空白，所有列都可以
对于df.列中的列：
df[col]=df[col].str.strip（）
#用0填充na
df.fillna（0，原地=真）
#将“”替换为0
df.replace（“”，0，原地=真）
#转换为int时，只能对包含数字数据的特定列执行此操作
#此列表是您显示的列名，如果它们在实际数据中不同，
#替换它们
对于['A'，'B'，'C'，'D'，'E']中的列：
df=df.astype（{col:'int16'}）
打印（df.info（））
#你应该以这样的方式结束。
"""
范围索引：8个条目，0到7
数据列（共6列）：
内容8非空对象
一个8非空的int16
B 8非空int16
c8非空int16
D 8非空int16
E 8非空int16
数据类型：int16（5），对象（1）
内存使用：272.0+字节
"""

我们可以这样做，注意这里，我将空格视为

np.nan

，如果您的数据中真的是空白，请更改最后一行

#确保标签名称与相应的列匹配
s=df.loc[：，['A'，'B'，'C'，'D'，'E']]
#或
s=df.loc[：，'A'：]
df['Labels']=（s>0）.dot（s.columns+，'）.str[：-1]#列A:E需要是数字，而不是str
#df['Labels']=（~s.isin（['']）.dot（s.columns+，'）.str[：-1]
这里有另一种使用
np的方法。其中
和
groupby
：

r, c = np.where(df>0)

df['Labels'] = pd.Series(df.columns[c], index=df.index[r]).groupby(level=[0, 1]).agg(', '.join)

输出：

       A  B  C  D  E   Labels
0 zxy  1  2  0  1  0  A, B, D
1 wvu  1  0  2  1  0  A, C, D
2 tsr  1  2  0  0  2  A, B, E
3 qpo  0  1  1  1  0  B, C, D
4 nml  0  0  2  2  0     C, D
5 kji  1  0  1  0  2  A, C, E
6 hgf  0  0  1  0  2     C, E
7 edc  1  2  0  1  0  A, B, D

您也可以按如下方式执行此操作：

# melt the two dimensional representation to
# a more or less onedimensional representation
df_flat= df.melt(id_vars=['Content'])
# filter out all rows which belong to empty cells
# the following is a fail-safe method, that should
# work for all datatypes you might encouter in your
# columns
df_flat= df_flat[~df_flat['value'].isna() & df_flat['value'] != 0]
df_flat= df_flat[~df_flat['value'].astype('str').str.strip().isin(['', 'nan'])]
# join the variables used per original row
df_flat.groupby(['Content']).agg({'variable': lambda ser: ', '.join(ser)})

输出如下所示：

            variable
idx Content         
0   zxy      A, B, D
1   wvu      A, C, D
2   tsr      A, B, E
3   qpo      B, C, D
4   nml         C, D
5   kji      A, C, E
6   hgf         C, E
7   edc      A, B, D

给定以下输入数据：

import pandas as pd
import io

raw="""idx Content  A  B  C  D  E          
0   zxy      1  2     1                    
1   wvu      1     2  1                  
2   tsr      1  2        2               
3   qpo         1  1  1                  
4   nml            2  2                      
5   kji      1     1     2               
6   hgf            1     2               
7   edc      1  2     1           """

df= pd.read_fwf(io.StringIO(raw))
df.drop(['idx'], axis='columns', inplace=True)

编辑：我刚在阅读后删除了
'idx'
，创建了一个与原始数据帧类似的结构，并添加了一些可用于不同数据类型的故障保护代码（melt方法下面的两行）。如果更多地了解缺失值的实际表示方式，则可以简化代码。
我得到
类型错误：'>'在代码的第一行的'str'和'int
实例之间不受支持。请移动索引中数据帧的所有字符串列。我没有名为
idx
的列，它只是默认数字我尝试在代码中删除此命令并使用它，但输出显示了您所编写的
变量
列中所有列标题的列表，而不仅仅是适用的标题ones@mvx，idx可能是原始数据帧的索引，它位于您提供的输出中。如果您没有将其作为列，只需从
melt
和
groupby
中删除“idx”，它将以同样的方式工作。顺便说一句，我根据您问题中的数据构建了数据框，即“给定以下输入数据”部分。我相信提出答案的ather preople也会这样做，但他们没有添加代码来获取答案中显示的输出的测试数据。但是，如果让它在数据帧上运行，我相信它会起作用，如果您的数据帧没有根本的不同，但在这种情况下，也许最好更改y中的描述我们的问题。如果它用代码显示所有列标题，那么空单元格似乎被转换为空字符串，而不是
NaN
。在这种情况下，您只需更改行
df_flat=df_flat[~df_flat['value']]。isna（）
就像上面的编辑一样。我得到了
AttributeError:'Series'对象没有属性'strip'
。使用
df.astype
将A:E转换为intI，并将其包含在答案中。或者，
df=df.astype（{'A'：'int16'，'B'：'int16'，'C'：'int16'，'D'：'int16'，'E'：'int16'））
尝试
将numpy导入为np
如果没有导入numpy，则
df.fillna（np.nan，inplace=True）
，然后再次尝试使用
astype
。此外，不要尝试转换实际字符串（例如字母）to
int
@jottbe我实际上正在与OP对话，试图解决他的问题，因为这些解决方案都不起作用。@mvx我真的不知道还有什么可以尝试。我们所做的一切都在玩具数据集上起作用，但不是真正的数据集。在这一点上，我不知道在看不到真实数据的情况下还可以尝试什么，因为这是一个问题真正的问题在哪里。你有链接或git repo吗？我可以在那里看到实际的数据？似乎空白点是空格
'
。我可以从屏幕截图中看到，数据与玩具数据不同。假设只有
内容
列有实际的文本，而其他列只有空白或空白数字。看起来很多列都有文本，这可以解释为什么什么都不起作用。是的，例如
s=df.loc[：，'A'：]
：