Question

我在ddata.csv中的数据如下：

col1,col2,col3,col4
A,10,a;b;c, 20
B,30,d;a;b,40
C,50,g;h;a,60

我想将col3分成多个列，但要基于它们的值。在其他方面，我希望最终数据看起来像

col1, col2, name_a, name_b, name_c, name_d, name_g, name_h, col4
A,    10,   a,      b,      c,      NULL,   NULL,   NULL,   20
B,    30,   a,      b,      NULL,   d,      NULL,   NULL,   40
C,    50,   a,      NULL,   NULL,   NULL,   g,      h,      60

此answer所引用的代码目前不完整：

import pandas as pd

import string
L = list(string.ascii_lowercase)

names = dict(zip(range(len(L)), ['name_' + x for x in  L]))
df = pd.read_csv('ddata.csv')
df2 = df['col3'].str.split(';', expand=True).rename(columns=names)

列名'a'，'b'，'c'...是随机抽取的，与实际数据a，b，c不相关。

现在，我的代码可以将'col3'分为以下三列：

name_a name_b name_c
a      b      c
d      e      f
g      h      i

但是，它应该像 name_a，name_b，name_c，name_d，name_g，name_h a，b，c，NULL，NULL，NULL a，b，NULL，d，NULL，NULL a，NULL，NULL，NULL，g，h

最后，我只需要用这些多列替换col3。

Answer 1

使用Series.str.get_dummies：

print (df['col3'].str.get_dummies(';'))
   a  b  c  d  g  h
0  1  1  1  0  0  0
1  1  1  0  1  0  0
2  1  0  0  0  1  1

要从原始用途DataFrame.pop中提取列col3，请用numpy中的列名称通过多个值创建新的DataFrame，用{{3 }}和DataFrame.where中的新列名称。

NaN

最后通过pos = df.columns.get_loc('col3') df2 = df.pop('col3').str.get_dummies(';').astype(bool) df2 = (pd.DataFrame(df2.values * df2.columns.values[ None, :], columns=df2.columns, index=df2.index) .where(df2) .add_prefix('name_'))通过位置过滤的所有DataFrame通过DataFrame.add_prefix结合在一起：

iloc

Answer 2

@jezrael解决方案非常好。直到现在我还不认识str.get_dummies。

我想出了使用stack，pivot_table，np.where和pd.concat的解决方案

df1 = df.col3.str.split(';', expand=True).stack().reset_index(level=0)
df2 = pd.pivot_table(df1, index='level_0', columns=df1[0], aggfunc=len)

Out[1658]:
0          a    b    c    d    g    h
level_0
0        1.0  1.0  1.0  NaN  NaN  NaN
1        1.0  1.0  NaN  1.0  NaN  NaN
2        1.0  NaN  NaN  NaN  1.0  1.0

接下来，使用1.0用列名填充np.where，找到col3的索引，然后使用pd.concat构造最终的df

df2[:] = np.where(df2.isna(), np.nan, df2.columns)
i = df.columns.tolist().index('col3')
pd.concat([df.iloc[:,:i], df2.add_prefix('name_'), df.iloc[:,i+1:]], axis=1)

Out[1667]:
  col1  col2 name_a name_b name_c name_d name_g name_h  col4
0    A    10      a      b      c    NaN    NaN    NaN    20
1    B    30      a      b    NaN      d    NaN    NaN    40
2    C    50      a    NaN    NaN    NaN      g      h    60

大熊猫：根据值将包含分号的列分为多个列

2 个答案: