如何从具有不同长度的列表列表中创建 Pandas DataFrame？

Question

我有如下格式的数据

data = [["a", "b", "c"],
        ["b", "c"],
        ["d", "e", "f", "c"]]

我想要一个 DataFrame，其中所有唯一的字符串作为列和二进制值的出现

    a  b  c  d  e  f
0   1  1  1  0  0  0
1   0  1  1  0  0  0
2   0  0  1  1  1  1

我有一个使用列表推导的工作代码，但对于大数据来说它很慢。

# vocab_list contains all the unique keys, which is obtained when reading in data from file
df = pd.DataFrame([[1 if word in entry else 0 for word in vocab_list] for entry in data])

有没有办法优化这个任务？谢谢。

编辑（实际数据的小样本）：

[['a', '关于'， '荒诞'， '再次'， '一个'， '同事'， '写'， “写”， 'X'， '约克', '你'， '您的']， ['一种'， '坚持'， '年龄'， '加重'， '积极地'， '全部'， '几乎'， '独自的'， '已经'， '还'， '虽然']]

Answer 1

为了获得更好的性能，请使用MultiLabelBinarizer:

data = [["a", "b", "c"],
        ["b", "c"],
        ["d", "e", "f", "c"]]

from sklearn.preprocessing import MultiLabelBinarizer    
mlb = MultiLabelBinarizer()
df = pd.DataFrame(mlb.fit_transform(data),columns=mlb.classes_)
print (df)
   a  b  c  d  e  f
0  1  1  1  0  0  0
1  0  1  1  0  0  0
2  0  0  1  1  1  1

编辑：

data = [['a', 'about', 'absurd', 'again', 'an', 'associates', 'writes', 'wrote', 'x', 'york', 'you', 'your'], ['a', 'abiding', 'age', 'aggravated', 'aggressively', 'all', 'almost', 'alone', 'already', 'also', 'although']]

from sklearn.preprocessing import MultiLabelBinarizer    
mlb = MultiLabelBinarizer()
df = pd.DataFrame(mlb.fit_transform(data),columns=mlb.classes_)
print (df)
   a  abiding  about  absurd  again  age  aggravated  aggressively  all  \
0  1        0      1       1      1    0           0             0    0   
1  1        1      0       0      0    1           1             1    1   

   almost  ...  also  although  an  associates  writes  wrote  x  york  you  \
0       0  ...     0         0   1           1       1      1  1     1    1   
1       1  ...     1         1   0           0       0      0  0     0    0   

   your  
0     1  
1     0  

[2 rows x 22 columns]

纯熊猫解决方案是可能的，但我想它应该更慢：

df = pd.get_dummies(pd.DataFrame(data), prefix='', prefix_sep='').max(level=0, axis=1)
print (df)
   a  b  d  c  e  f
0  1  1  0  1  0  0
1  0  1  0  1  0  0
2  0  0  1  1  1  1

df = pd.get_dummies(pd.DataFrame(data), prefix='', prefix_sep='').max(level=0, axis=1)
print (df)
   a  abiding  about  absurd  age  again  aggravated  aggressively  an  all  \
0  1        0      1       1    0      1           0             0   1    0   
1  1        1      0       0    1      0           1             1   0    1   

   ...  writes  alone  wrote  already  x  also  york  although  you  your  
0  ...       1      0      1        0  1     0     1         0    1     1  
1  ...       0      1      0        1  0     1     0         1    0     0  

[2 rows x 22 columns]

Answer 2

您可以在列表理解中使用join，而str.get_dummies：

df = pd.Series(['|'.join(x) for x in data]).str.get_dummies()

[出]

   a  b  c  d  e  f
0  1  1  1  0  0  0
1  0  1  1  0  0  0
2  0  0  1  1  1  1

Answer 3

出于好奇，我对建议的解决方案进行了计时：

from string import ascii_letters
from random import choice, randint
from datetime import datetime
import pandas as pd
from sklearn.preprocessing import MultiLabelBinarizer

data = []
for _ in range(10000):
    data.append([choice(ascii_letters) for _ in range(randint(25, 65))])

print("Time using 'pd.Series' and 'str.get_dummies()':")
startTime = datetime.now()
df = pd.Series(['|'.join(x) for x in data]).str.get_dummies()
print(datetime.now() - startTime)

print("Time using 'pd.get_dummies()':")
startTime = datetime.now()
df2 = pd.get_dummies(pd.DataFrame(data), prefix='', prefix_sep='').max(level=0, axis=1)
print(datetime.now() - startTime)

print("Time using 'MultiLabelBinarizer()':")
startTime = datetime.now()
mlb = MultiLabelBinarizer()
df3 = pd.DataFrame(mlb.fit_transform(data),columns=mlb.classes_)
print(datetime.now() - startTime)

虽然每次使用随机长度的列表时结果都会有所不同，但差异或多或少是相同的：

Time using 'pd.Series' and 'str.get_dummies()':
0:00:00.450311
Time using 'pd.get_dummies()':
0:00:00.498003
Time using 'MultiLabelBinarizer()':
0:00:00.083955

因此，确实，使用 sklearn 可以获得更快的结果。