以不同于 One-Hot 的方式编码 Dataframe

Question

假设我有一个类似的 df，它记录了计算机游戏中 6 个玩家 (3v3) 中每个玩家的可玩角色选择。

data = {'Pick_1_team1': ['A','A','A','B','C'],

        'Pick_2_team1': ['D','D','E','F','F'],

        'Pick_3_team1': ['G','G','A','M','O'],

        'Pick_1_team2': ['Q','Q','S','S','A'],

        'Pick_2_team2': ['V','W','X','A','B'],

        'Pick_3_team2': ['R','X','W','W','R']}

df = pd.DataFrame(data)

df_enc = pd.get_dummies(df)

当我使用 panda 的 get_dummies 时，我将得到一个具有以下结构的稀疏 df（例如，不是来自示例 df 的实际编码）

每个 Pick-slot 都有每个可能的选择 (AZ)，适用于两支球队。

| P1_T1_A | P1_T1_B | P1_T1_C | ... | P2_T1_A | ... | P3_T1_Z | ... | P1_T2_A | P1_T2_B | ... | P3_T2_Z |

|---------|---------|---------|-----|---------|-----|---------|-----|---------|---------|-----|---------|

| 0       | 0       | 1       | ... | 0       | ... | 0       | ... | 1       | 0       | ... | 1       |

| 1       | 0       | 0       | ... | 0       | ... | 0       | ... | 0       | 1       | ... | 1       |

| 1       | 0       | 0       | ... | 0       | ... | 0       | ... | 0       | 0       | ... | 0       |

这没关系，但如果您考虑更大的输入空间（有 150 多个可能的选择），表格会变得非常大。为了使其更易于管理，我正在考虑以某种方式将其编码为以下格式：

每个类别（角色）一列 x 每个团队 2，如果该角色被选中则为 1，否则为 0。

| T1_A | T1_B | T1_C | ... | T1_Z | ... | T2_A | T2_B | ... | T2_Z |

|------|------|------|-----|------|-----|------|------|-----|------|

| 0    | 0    | 1    | ... | 0    | ... | 1    | 1    | ... | 1    |

| 1    | 1    | 1    | ... | 0    | ... | 0    | 0    | ... | 1    |

| 1    | 0    | 0    | ... | 0    | ... | 0    | 0    | ... | 0    |

这会将特征数量限制为选秀权数 x 球队数（26 个字母 * 2 支球队），而不是可能的选秀权数 x 选秀权数 x 球队数（26 个字母 * 3 个选秀权 * 2 支球队）熊猫可以通过任何 built_in 做到这一点功能？如果不是，最简单的方法是什么？

任何帮助表示赞赏！谢谢。

Answer 1

您可以通过首先选择一个团队filter，stack数据并使用str.get_dummies，然后选择groupbylevel=0（原始 df 中的行）和sum。对于两个团队add_prefix之前的专栏，例如：concatdf_ = pd.concat([            (df.filter(like=f'Pick_{i}').stack()               .str.get_dummies()               .groupby(level=0).sum()               .add_prefix(f'T{i}_')            ) for i in [1,2] ],             axis=1)print (df_)   T1_A  T1_B  T1_C  T1_D  T1_E  T1_F  T1_G  T1_M  T1_O  T2_A  T2_B  T2_Q  \0     1     0     0     1     0     0     1     0     0     0     0     1   1     1     0     0     1     0     0     1     0     0     0     0     1   2     2     0     0     0     1     0     0     0     0     0     0     0   3     0     1     0     0     0     1     0     1     0     1     0     0   4     0     0     1     0     0     1     0     0     1     1     1     0      T2_R  T2_S  T2_V  T2_W  T2_X  0     1     0     1     0     0  1     0     0     0     1     1  2     0     1     0     1     1  3     0     1     0     1     0  4     1     0     0     0     0  

Answer 2

如果只需要值或需要计数值，请get_dummies与聚合一起使用：max1,0sumdf_enc = (pd.get_dummies(df.rename(columns=lambda x:x.split('_', 2)[-1].replace('team','T')))            .max(axis=1, level=0)            .sort_index(axis=1, level=0))print (df_enc)   T1_A  T1_B  T1_C  T1_D  T1_E  T1_F  T1_G  T1_M  T1_O  T2_A  T2_B  T2_Q  \0     1     0     0     1     0     0     1     0     0     0     0     1   1     1     0     0     1     0     0     1     0     0     0     0     1   2     1     0     0     0     1     0     0     0     0     0     0     0   3     0     1     0     0     0     1     0     1     0     1     0     0   4     0     0     1     0     0     1     0     0     1     1     1     0      T2_R  T2_S  T2_V  T2_W  T2_X  0     1     0     1     0     0  1     0     0     0     1     1  2     0     1     0     1     1  3     0     1     0     1     0  4     1     0     0     0     0