创建虚拟变量掩码的最佳方法？

Question

例如，我有一个包含一列城市名称的 pandas DataFrame，并且我已经有一个大的预定义城市名称列表，将用作模型中的虚拟变量。我希望将列表中的每个城市名称添加为新列，然后填充一堆 0 和 1，其中城市名称列中的字符串与虚拟变量的列名称匹配。

从我的角度来看，我需要按照以下方式做一些事情：

for dv in dummy_var_list:
    df[dv] = df[df[city_names]==dv]

我不确定这是否是一种有效或正确的方法。我需要加入某种我不确定该怎么做的“if”语句或掩码。

即我有城市名称列表：

['paris','sydney','orlando','milwaukee']

我有一个预定义的假人列表，我需要制作以下列：

['tokyo','berlin','beijing','orlando','paris']

所以有些行中不会有任何'1'，因为没有匹配，但没关系。

Answer 1

你可以这样做：

import numpy as np

df = pd.DataFrame(columns=['tokyo','berlin','beijing','orlando','paris'])
df['city'] = ['paris','sydney','orlando','milwaukee']

初始df：

  tokyo berlin beijing orlando paris       city
0   NaN    NaN     NaN     NaN   NaN      paris
1   NaN    NaN     NaN     NaN   NaN     sydney
2   NaN    NaN     NaN     NaN   NaN    orlando
3   NaN    NaN     NaN     NaN   NaN  milwaukee

for col in df.columns:
    df.loc[df['city'] == col, col] = 1
df = df.replace(np.NaN, 0)

输出：

   tokyo  berlin  beijing  orlando  paris       city
0      0       0        0        0      1      paris
1      0       0        0        0      0     sydney
2      0       0        0        1      0    orlando
3      0       0        0        0      0  milwaukee

Answer 2

如果您只对某些城市感兴趣，您可以只获取包含您感兴趣的城市的数据框子集，使用pd.dummies 获取其中的虚拟列，然后加入原始数据框：

>>> df
  city_names
0      Paris
1   New York
2      Paris
3      Tokyo
4   New York

dummy_var_list = ['Paris', 'New York']

dummy_df = df.join(pd.get_dummies(df.loc[df.city_names.isin(dummy_var_list)], 
                   prefix='', prefix_sep='')).fillna(0)

>>> dummy_df
  city_names  New York  Paris
0      Paris       0.0    1.0
1   New York       1.0    0.0
2      Paris       0.0    1.0
3      Tokyo       0.0    0.0
4   New York       1.0    0.0

编辑：如果我理解正确，您希望在dummy_var_list 中为您的所有城市提供一个虚拟列，即使它们没有出现在您原来的df 中的city_names 中。在这种情况下，在上面的代码之后，您可以循环并为未显示的城市添加一列零：

>>> df
  city_names
0      Paris
1   New York
2      Paris
3      Tokyo
4   New York

dummy_var_list = ['Paris', 'New York', 'Los Angeles']

dummy_df = df.join(pd.get_dummies(df.loc[df.city_names.isin(dummy_var_list)], 
        prefix='', prefix_sep='')).fillna(0)

for i in dummy_var_list:
    if i not in dummy_df.columns:
        dummy_df[i] = 0 

>>> dummy_df
  city_names  New York  Paris  Los Angeles
0      Paris       0.0    1.0            0
1   New York       1.0    0.0            0
2      Paris       0.0    1.0            0
3      Tokyo       0.0    0.0            0
4   New York       1.0    0.0            0