Question

我在某些列中有一个带有分类值的数据集（一行可能包含多个类别，由,分隔）。例如：

  user hashtags
0   u1      a,b
1   u2      a,c
2   u3        c

我想为这些类别制作虚拟列。我对数据集中出现次数很少的类别也不感兴趣。目前，我正在生成虚拟列，然后删除少数出现的列，如下所示（chunk是原始数据帧）：

dummies_hashtags = chunk['hashtags'].str.get_dummies(sep=',')
dummies_hashtags.columns = dummies_hashtags.columns.map(lambda c: 'hashtag_' + c)

# get rid of dummy columns with usage below 10
usage = dummies_hashtags.sum(0)
high_usage = dummies_hashtags[np.where(usage >= 10)[0]]
low_usage = dummies_hashtags[np.where(usage < 10)[0]]
dummies_hashtags = high_usage
dummies_hashtags['other_hashtags'] = low_usage.sum(1)

请注意，我还为发生率较低的类别数添加了一列。

这种方法有效，但速度很慢。我对如何改进它的想法是先获取所有独特的类别及其数量，然后删除低计数的类别，生成虚拟列。

我想问你这个问题：这种做法会改善什么吗？如何实施？（np.unique会想到return_counts=True）。此外，有没有更好的方法解决这个问题？

（注意：数据集已经是SparseDataFrame。

Answer 1

使用UITableView和布尔切片可以加快速度..让我知道这是否适合你。

numpy

在为它们生成虚拟列之前过滤数据框中的类别

1 个答案: