我有一个数据集，该数据集包含训练集中的5000+行和测试集中的4000行。在这些列之一中，我每个单元格都有多个值，并用逗号分隔，问题是当我想在整个数据集（训练和测试串联）上将虚拟变量应用于此列时，需要花费大量时间，因为大多数值只会出现几次，所以会创建大量的虚拟特征。我有：
我的代码是：
stars_dummies = train_and_test["stars"].str.get_dummies(sep=',')
但是创建的特征数量太可笑了，甚至花更多的时间了。
“星标”列中我的测试集的前5行是：
Rob Corddry，Craig Robinson，Clark Duke
安妮·海瑟薇，卡勒姆·蓝，朱莉·安德鲁斯
迈尔斯·泰勒西蒙斯（Melissa Benoit），
Vidya Balan，Parambrata Chatterjee，Indrana Sanchez
金江雨，赵在贤，施妍苑
这是我的问题：
是否存在仅根据相关值创建虚拟变量的有效方法？我当时想只为测试集上的值提供虚拟变量，而这些变量在训练集上也要超过2次。
以这种方式创建虚拟变量是正确的，以避免训练我们的测试集中未包含的不必要的虚拟特征？如果是，执行此操作的有效代码是什么？
您是否认为有更好的方法来提取具有多个单元格值的列中的伪特征，发生率极低，从而正确地应用机器学习算法？
预先感谢您的帮助！