有没有比循环遍历数据框更好的方法将数据框转换为“真值表”？

Question

我在 Redshift 中有一个视图，我正在从中读取以创建数据框。该表的结构如下所示，大约有 49k 条记录：

<头>

session_id	时间戳	event_text
session1	2020-07-07 06:45:45.012	事件-A
session1	2020-07-10 04:19:07.477	事件-B
session2	2020-07-10 16:42:24.46	事件-B
session2	2020-07-10 18:57:12.358	event-C
session3	2020-07-10 16:42:24.46	事件-A
session3	2020-07-10 18:57:12.358	event-C

我的目标是创建一个结构如下的数据框：

<头>

session_id	事件-A	event-B	event-C
session1	1	1	0
session2	0	1	1
session3	1	0	1

我知道这个结构是一个“真值表”，但不确定其他人怎么称呼它。

我找到了一种在 Python 中循环查询结果的方法，如下所示：

import pandas as pd
import pandas.io.sql as sqlio

# Redshift query
df = sqlio.read_sql_query(master_order_event_view, conn) 

events = df.event_text.unique()
unique_sessions = df.session_id.unique()

# Creating Dataframe with session IDs as index and event_text values as columns
truth_df = pd.DataFrame(0, index=unique_sessions, columns=events) 

for session_id, event_text in zip(df["session_id"], df["event_text"]):
    truth_df.at[session_id, event_text] = 1
    
return truth_df

我的问题是：是否有内置的 Pandas 命令/库来执行此操作？我环顾了很多文档，但找不到任何满意的内容。也许称它为“真值表”是我的问题。

无论是否有内置的方法可以做到这一点，有人对如何提高效率有任何建议吗？重构视图、使用不同的库等

谢谢！

Answer 1

感谢@Dani Mesejo 和@sammywemmy，他们给了我一些建议。

for session_id, event_text in zip(df["session_id"], df["event_text"]):
    truth_df.at[session_id, event_text] = 1

可以用以下任意一个替换：

使用交叉表：

truth_df = pd.crosstab(df.session_id, df.event_text)

或分组：

truth_df = df.groupby(["session_id", "event_text"]).size().unstack(fill_value=0)

两者都很好，但根据@sammywemmy 的说法，groupby 的速度要快一些。