Créer des variables d'une colonne pour un sous-ensemble de données, qui ne contient pas toutes les valeurs de catégorie dans cette colonne

Question

Je gère un sous-ensemble d'un grand ensemble de données.

Il existe une colonne nommée "type" dans la structure de données. Le "type" devrait avoir des valeurs comme [1,2,3,4].

Dans un sous-ensemble, je trouve le « type » colonne ne contient que certaines valeurs comme [1,4], comme

In [1]: df 
Out[2]: 
      type 
    0  1 
    1  4 

Lorsque je crée des mannequins de la colonne « type » sur ce sous-ensemble, il se comme ceci:

In [3]:import pandas as pd 
In [4]:pd.get_dummies(df["type"], prefix = "type") 
Out[5]:  type_1 type_4 
     0  1  0 
     1  0  1 

Il does't ont les colonnes nommées "type_2", "type_3" .Quel que je veux est comme:

Out[6]:  type_1 type_2 type_3 type_4 
      0  1  0  0  0 
      1  0  0  0  1 

Y a-t-il une solution pour cela?

Answer 1

Une autre solution avec reindex_axis et add_prefix:

df1 = pd.get_dummies(df["type"]) 
     .reindex_axis([1,2,3,4], axis=1, fill_value=0) 
     .add_prefix('type') 
print (df1) 
    type1 type2 type3 type4 
0  1  0  0  0 
1  0  0  0  1 

Ou categorical solution:

df1 = pd.get_dummies(df["type"].astype('category', categories=[1, 2, 3, 4]), prefix='type') 
print (df1) 
    type_1 type_2 type_3 type_4 
0  1  0  0  0 
1  0  0  0  1 

Answer 2

Ce que vous devez faire est de la colonne 'type' dans un pd.Categorical et préciser le categories

pd.get_dummies(pd.Categorical(df.type, [1, 2, 3, 4]), prefix='type') 

    type_1 type_2 type_3 type_4 
0  1  0  0  0 
1  0  0  0  1 

Answer 3

Depuis vous avez marqué votre poste one-hot-encoding, vous trouverez peut-être OneHotEncoder utile, en plus des solutions pures Pandas de modules sklearn:

import pandas as pd 
from sklearn.preprocessing import OneHotEncoder 

# sample data 
df = pd.DataFrame({'type':[1,4]}) 
n_vals = 5 

# one-hot encoding 
encoder = OneHotEncoder(n_values=n_vals, sparse=False, dtype=int) 
data = encoder.fit_transform(df.type.values.reshape(-1,1)) 

# encoded data frame 
newdf = pd.DataFrame(data, columns=['type_{}'.format(x) for x in range(n_vals)]) 

print(newdf) 

    type_0 type_1 type_2 type_3 type_4 
0  0  1  0  0  0 
1  0  0  0  0  1 

Un avantage d'utiliser cette approche est que OneHotEncoder produit facilement des vecteurs rares, pour très grande classe ensembles. (Il suffit de passer à sparse=True dans la déclaration OneHotEncoder().)