Question

在pandas数据帧中，存在多个具有二进制值的二进制特征列，而难题是要确定哪一列具有“一键标注/值”（哪一列可以是“一键编码”矢量的一部分）以及哪一列是一个独立功能，不是单编码标签/矢量的一部分。

我需要清理和预处理的数据看起来像这样：

Rows   v1  v2  v3  v4  v5  v6  v7  v8  v9  v10 Label

0      1   1   0   0   0   0   0   0   0   0     0
1      0   0   0   0   0   0   1   0   0   0     0
2      0   1   0   1   0   0   0   1   0.5 0     0
3      0   0   0   0   0   1   0   0   0   1     0
4      0   0   0   0   1   0   0   0   0   0     1
5      0   0   0   0   0   0   1   0   0   0     1
6      0   0   0   1   0   0   0   0   0   1     1
7      0   0   1   0   1   0   0   0   0.2 0     0
8      0   0   0   0   0   1   0   0   0   1     0

注意：需要找出特定的列组合，其中在行中有一个1和其他零，因为可能会有一些非hotEncoded /独立二进制列。

通过特定的列组合，其中我们在一行中有一个1和其他零，我的意思是这样的列的结果/最终组合，其中我们一行中有一个1（由排除其他二进制列）：

v1  v4  v5  v6  v7

1   0   0   0   0  
0   0   0   0   1   
0   1   0   0   0   
0   0   0   1   0 
0   0   1   0   0 
0   0   0   0   1  
0   1   0   0   0  
0   0   1   0   0 
0   0   0   1   0

Answer 1

您想要的东西似乎很难克服。我会提供指示。您需要最大数量的独立变量/因数。首先计算二进制变量的点积（df是您的数据框）：

df = df[df.columns[~df.columns.isin(['Rows','Label','v9'])]]
df.v1.dot(df.v1)

     v1  v2  v3  v4  v5  v6  v7  v8  v10
v1    2   0   0   0   0   1   0   0    2
v2    0   2   0   1   0   0   0   1    0
v3    0   0   1   0   0   0   0   0    0
v4    0   1   0   2   0   0   0   1    1
v5    0   0   0   0   1   0   0   0    0
v6    1   0   0   0   0   1   0   0    1
v7    0   0   0   0   0   0   2   0    0
v8    0   1   0   1   0   0   0   1    0
v10   2   0   0   1   0   1   0   0    3

现在，您想要最大的子矩阵都为0且对称。如果对上述数据框（列的点积）进行二进制补充（将零转换为1，将非零转换为0），并从中创建一个图作为邻接矩阵，则您的问题将转化为寻找最大集团问题。据我所知，都是固定参数难解且难以估计。但是，如果变量的数量很少，则可以使用蛮力或近似算法找到它。

Answer 2

我认为您可以根据dtypes来做到这一点：

print(df.columns[df.dtypes != 'float'])

Index(['Rows', 'v1', 'v2', 'v3', 'v4', 'v5', 'v6', 'v7', 'v8', 'v10', 'Label'], dtype='object')

您还可以基于计数（获取具有2个唯一值的列）

df.columns[df.apply(pd.Series.nunique) == 2]

如何识别数据帧中的一键编码列

2 个答案: