如何根据另一个表 [R 或 Python] 重新编码表中的多个列？

Question

我的数据框有几列带有字符串值，我想将它们重新编码为整数。 有超过 20 列，每列都有其唯一的键值对（并且并非所有都必须重新编码），所以我正在寻找一种方法来避免写 20 + case_when's，每个案例有 3-6 个案例（这是我迄今为止阅读的 3+ 个答案所建议的）。

我在不同的表中有字符串-整数对，我想知道是否有一种方法可以遍历数据列和键值对的行，以重新编码字符串，如下所示：

数据：

C1 C2 C3
A  D  X
B  E  Y
C  F  Z

键值对：

Column_name  String   Int
C2           D        5
C2           E        10
C2           F        0
C3           X        1
C3           Y        2
C3           Z        7   

输出：

C1  C2  C3
A   5   1
B   10  2
C   0   7

换句话说，对于每个数据列 C#，代码将只查看 C# 的键值行，并将字符串替换为其值。

我愿意接受 R 或 Python 解决方案。

Answer 1

这是pandas的一种方式

d={x : y.set_index('String').Int.to_dict() for x , y in pairs.groupby('Column_name')}
Data.replace(d)
Out[611]: 
  C1  C2  C3
0  A   5   1
1  B  10   2
2  C   0   7

在 R 中，merge 和 rehsape2

df1$id=1:dim(df1)[1]
s=merge(melt(df1,'id'),pairs,by.x=c('variable','value'),by.y=c('Column_name','String'),all.x=T)
s$Int[is.na(s$Int)]=s$value[is.na(s$Int)]

dcast(data = s, formula = id ~ variable, value.var = "Int")
  id C1 C2 C3
1  1  A  5  1
2  2  B 10  2
3  3  C  0  7

Answer 2

另一种创建字典的方法

d = {}
for c, s, i in zip(*map(pairs.get, pairs)):
    d.setdefault(c, {})[s] = i

df.replace(d)

  C1  C2  C3
0  A   5   1
1  B  10   2
2  C   0   7

Answer 3

有了R，我们可以在没有任何包的情况下（在base R中）使用命名向量来做到这一点

df1[-1] <- Map(function(x, y) y[x], df1[-1], 
          with(df2, split(setNames(Int, String), Column_name)))

df1
#  C1 C2 C3
#1  A  5  1
#2  B 10  2
#3  C  0  7

---

另外，如果列是有序的，那么这会更紧凑

df1[-1] <-  with(df2, setNames(Int, String))[as.matrix(df1[-1])]

并且没有任何空格（#save_space）

df1[-1]<-with(df2,setNames(Int,String))[as.matrix(df1[-1])]

注意：这可以扩展到任意数量的列

数据

df1 <- structure(list(C1 = c("A", "B", "C"), C2 = c("D", "E", "F"), 
    C3 = c("X", "Y", "Z")), class = "data.frame", row.names = c(NA, 
-3L))

df2 <- structure(list(Column_name = c("C2", "C2", "C2", "C3", "C3", 
"C3"), String = c("D", "E", "F", "X", "Y", "Z"), Int = c(5L, 
10L, 0L, 1L, 2L, 7L)), class = "data.frame", row.names = c(NA, 
-6L))

Answer 4

使用 dplyr left_join:

library(dplyr)
library(tidyr)


data %>% 
    gather(Column_name, String, -C1) %>% 
    left_join(key_vals) %>% 
    select(-String) %>% 
    spread(Column_name, Int)

#### OUTPUT ####

  C1 C2 C3
1  A  5  1
2  B 10  2
3  C  0  7

可以通过从gather 中排除更多变量来扩展此方法。例如，使用以下数据框：

data <- bind_cols(data, data)

#### OUTPUT ####

  C1 C2 C3 C11 C21 C31
1  A  D  X   A   D   X
2  B  E  Y   B   E   Y
3  C  F  Z   C   F   Z

如果我们不想重新编码 C11-C31，我们可以从 gather 中减去它们。您还需要在 left_join 中指定要加入的变量（上面没有必要，因为它们是唯一的可能性）：

data %>% 
    gather(Column_name, String, -c(C1, C11:C31)) %>% 
    left_join(key_vals, by = c("Column_name", "String")) %>% 
    select(-String) %>% 
    spread(Column_name, Int)

#### OUTPUT ####

  C1 C11 C21 C31 C2 C3
1  A   A   D   X  5  1
2  B   B   E   Y 10  2
3  C   C   F   Z  0  7

它稍微改变了顺序，但我认为结果就是你想要的。