在为它们生成虚拟列之前过滤数据框中的类别

Question

我有一个数据集，在某些列中包含分类值（一行可能包含多个类别，以, 分隔）。示例：

  user hashtags
0   u1      a,b
1   u2      a,c
2   u3        c

我想为这些类别制作虚拟列。我也对数据集中出现次数很少的类别不感兴趣。目前，我正在生成虚拟列，然后删除出现次数很少的列，如下所示（chunk 是原始数据框）：

dummies_hashtags = chunk['hashtags'].str.get_dummies(sep=',')
dummies_hashtags.columns = dummies_hashtags.columns.map(lambda c: 'hashtag_' + c)

# get rid of dummy columns with usage below 10
usage = dummies_hashtags.sum(0)
high_usage = dummies_hashtags[np.where(usage >= 10)[0]]
low_usage = dummies_hashtags[np.where(usage < 10)[0]]
dummies_hashtags = high_usage
dummies_hashtags['other_hashtags'] = low_usage.sum(1)

请注意，我还添加了一列用于显示出现率较低的类别数量。

这种方法有效，但速度很慢。我关于如何改进它的想法是首先获取所有唯一类别及其计数，然后删除计数低的类别，在生成虚拟列之前。

我想问你这个问题：这种方法真的会改善什么吗？它将如何实施？ （想到np.unique 和return_counts=True）。另外，有没有更好的方法来解决这个问题？

（注意：数据集已经是SparseDataFrame）。

Answer 1

使用numpy 和布尔切片应该可以加快速度。如果这对你有用，请告诉我。

duh = df.hashtags.str.get_dummies(',')
v = duh.values
m = v.sum(0) > 1  # filter out occurrences of 1.  change for your needs
d2 = pd.DataFrame(v[:, m], duh.index, duh.columns[m])

df.join(d2)

  user hashtags  a  c
0   u1      a,b  1  0
1   u2      a,c  1  1
2   u3        c  0  1