複数のDataFrame列で、単一の列を予期し、複数の列を返すget_dummies
などの関数を慣用的に実行するにはどうすればよいですか?
pandasバージョン0.15.0、pd.get_dummies
はDataFrameを直接処理できます(それ以前は、単一のシリーズのみを処理できました。回避策については以下を参照してください)。
In [1]: df = DataFrame({'A': ['a', 'b', 'a'], 'B': ['c', 'c', 'b'],
...: 'C': [1, 2, 3]})
In [2]: df
Out[2]:
A B C
0 a c 1
1 b c 2
2 a b 3
In [3]: pd.get_dummies(df)
Out[3]:
C A_a A_b B_b B_c
0 1 1 0 0 1
1 2 0 1 0 1
2 3 1 0 1 0
pandas <0.15.0の回避策
列ごとに個別に実行し、結果を連結できます。
In [111]: df
Out[111]:
A B
0 a x
1 a y
2 b z
3 b x
4 c x
5 a y
6 b y
7 c z
In [112]: pd.concat([pd.get_dummies(df[col]) for col in df], axis=1, keys=df.columns)
Out[112]:
A B
a b c x y z
0 1 0 0 1 0 0
1 1 0 0 0 1 0
2 0 1 0 0 0 1
3 0 1 0 1 0 0
4 0 0 1 1 0 0
5 1 0 0 0 1 0
6 0 1 0 0 1 0
7 0 0 1 0 0 1
マルチインデックス列が必要ない場合は、keys=..
concat関数呼び出しから。
pandas 0.19を使用すると、1行で実行できます。
pd.get_dummies(data=df, columns=['A', 'B'])
Columns
は、One Hot Encodingを実行する場所を指定します。
>>> df
A B C
0 a c 1
1 b c 2
2 a b 3
>>> pd.get_dummies(data=df, columns=['A', 'B'])
C A_a A_b B_b B_c
0 1 1.0 0.0 0.0 1.0
1 2 0.0 1.0 0.0 1.0
2 3 1.0 0.0 1.0 0.0
誰かがもっと賢いものを持っているかもしれませんが、ここに2つのアプローチがあります。 df
という名前のデータフレームがあり、ダミーが必要な列 'Name'および 'Year'があるとします。
まず、単純に列を繰り返し処理するのはそれほど悪くありません。
In [93]: for column in ['Name', 'Year']:
...: dummies = pd.get_dummies(df[column])
...: df[dummies.columns] = dummies
別のアイデアは、 patsy パッケージを使用することです。これは、Rタイプの式からデータ行列を構築するように設計されています。
In [94]: patsy.dmatrix(' ~ C(Name) + C(Year)', df, return_type="dataframe")
質問を理解していない限り、columns引数を渡すことで get_dummies でネイティブにサポートされます。