具有多个类似列的 Pandas one-hot 编码

Question

我在数据集中有几个“条件”列。这些列都有资格接收相同的编码输入。这只是为了允许将多个条件与单个记录相关联 - 代码结束的列没有任何意义。

在下面的示例中，3 个条件列中只有 5 个唯一值，但如果您分别考虑每一列，则每个列中都有 3 个唯一值。因此，当我将 one-hot 编码一起应用于这些变量时，我得到 9 个新列，但我只想要 5 个（一个用于一组列中的每个唯一值）。

这是原始数据的示例：

| cond1 | cond2 | cond3 | target |
|-------|-------|-------|--------|
| I219  | E119  | I48   | 1      |
| I500  |       |       | 0      |
| I48   | I500  | F171  | 1      |
| I219  | E119  | I500  | 0      |
| I219  | I48   |       | 0      |

这是我尝试过的：

import pandas as pd
df = pd.read_csv('micro.csv', dtype='object')
df['cond1'] = pd.Categorical(df['cond1'])
df['cond2'] = pd.Categorical(df['cond2'])
df['cond3'] = pd.Categorical(df['cond3'])

dummies = pd.get_dummies(df[['cond1', 'cond2', 'cond3']], prefix = 'cond')
dummies

这给了我：

| cond_I219 | cond_I48 | cond_I500 | cond_E119 | cond_I48 | cond_I500 | cond_F171 | cond_I48 | cond_I500 |
|-----------|----------|-----------|-----------|----------|-----------|-----------|----------|-----------|
| 1         | 0        | 0         | 1         | 0        | 0         | 0         | 1        | 0         |
| 0         | 0        | 1         | 0         | 0        | 0         | 0         | 0        | 0         |
| 0         | 1        | 0         | 0         | 0        | 1         | 1         | 0        | 0         |
| 1         | 0        | 0         | 1         | 0        | 0         | 0         | 0        | 1         |
| 1         | 0        | 0         | 0         | 1        | 0         | 0         | 0        | 0         |

因此，对于出现在多个列（I48 和 I500）中的任何代码，我都有多个编码列。我只希望每个列都有一个列，这样我就可以检查各个代码与我的目标变量之间的相关性。

有没有办法做到这一点？这是我追求的结果：

| cond_I219 | cond_I48 | cond_I500 | cond_E119 | cond_F171 |
|-----------|----------|-----------|-----------|-----------|
| 1         | 1        | 0         | 1         | 0         |
| 0         | 0        | 1         | 0         | 0         |
| 0         | 1        | 1         | 0         | 1         |
| 1         | 0        | 1         | 1         | 0         |
| 1         | 1        | 0         | 0         | 0         |

Answer 1

如果需要 1 和 0 输出数据，请获取 max 值：

dfDummies = dummies.max(axis=1, level=0)

如果需要计数1 值，则使用sum：

dfDummies = dummies.sum(axis=1, level=0)