将 CSV 读入 Pandas 后 MultiLabelBinarizer() 的格式问题

Question

我想使用 MultiLabelBinarizer() 来准备一个包含应用于文本的标签的列。例如，根据title 预测电影可能属于哪些类型。

MultiLabelBinarizer() 在将值预定义为 DataFrame 中的列表时效果很好：

import pandas as pd
from sklearn.preprocessing import MultiLabelBinarizer

df = pd.DataFrame({"Text": ["Blah blah", "Blah blah blah"],
              "Tag": [["Hi", "Hello"], ["Hey"]]})

mlb = MultiLabelBinarizer()
print(mlb.fit_transform(df["Tag"]))
print(mlb.classes_)

给予

array([[1, 0, 1],
       [0, 1, 0]])

array(['Hello', 'Hey', 'Hi'], dtype=object)

但是，当我将 CSV 或 Excel 文件读入 Pandas 时，这种方法会失败。例如，如果我制作一个具有相同结构的简单 CSV：

并将其读入 Pandas + 使用 MultiLabelBinarizer()：

df = pd.read_csv(filepath)

mlb = MultiLabelBinarizer()
print(mlb.fit_transform(df["Tag"]))
print(mlb.classes_)

它将每个字符视为一个单独的类，并且不再作为 array() 输出：

[[1 1 1 1 1 1 1 1 0]
 [0 1 0 1 1 0 0 0 1]]

[' ' '"' ',' 'H' 'e' 'i' 'l' 'o' 'y']

鉴于此限制，我如何从 CSV 或 Excel 文件中读取并保留 MultiLabelBinarizer() 的功能？

Answer 1

添加.str.split(",")

mlb.fit_transform(df["Tag"].str.split(","))