根据列值和其他列更新 Pandas 单元格

我希望根据一列中的值更新许多列；这对于循环来说很容易，但当有很多列和很多行时，对于我的应用程序来说花费的时间太长。获得每个字母所需的计数的最优雅的方法是什么？

期望的输出：

   Things         count_A     count_B    count_C     count_D
['A','B','C']         1            1         1          0
['A','A','A']         3            0         0          0
['B','A']             1            1         0          0
['D','D']             0            0         0          2

最优雅的绝对是 sklearn 的 CountVectorizer。

我将首先向您展示它是如何工作的，然后我将在一行中完成所有操作，这样您就可以看到它是多么优雅。

首先，我们将逐步进行：

让我们创建一些数据

raw = ['ABC', 'AAA', 'BA', 'DD']

things = [list(s) for s in raw]

然后读入一些包并初始化计数向量化器

from sklearn.feature_extraction.text import CountVectorizer
import pandas as pd

cv = CountVectorizer(tokenizer=lambda doc: doc, lowercase=False)

接下来我们生成一个计数矩阵

matrix = cv.fit_transform(things)

names = ["count_"+n for n in cv.get_feature_names()]

并另存为数据框

df = pd.DataFrame(data=matrix.toarray(), columns=names, index=raw)

生成这样的数据框：

    count_A count_B count_C count_D
ABC 1   1   1   0
AAA 3   0   0   0
BA  1   1   0   0
DD  0   0   0   2

优雅版：

以上所有内容都在一行中

df = pd.DataFrame(data=cv.fit_transform(things).toarray(), columns=["count_"+n for n in cv.get_feature_names()], index=raw)

Timing:

您提到您正在使用相当大的数据集，因此我使用 %%timeit 函数来给出时间估计。

@piRSquared 之前的回复（否则看起来非常好！）

pd.concat([s, s.apply(lambda x: pd.Series(x).value_counts()).fillna(0)], axis=1)

100 loops, best of 3: 3.27 ms per loop

我的答案：

pd.DataFrame(data=cv.fit_transform(things).toarray(), columns=["count_"+n for n in cv.get_feature_names()], index=raw)

1000 loops, best of 3: 1.08 ms per loop

根据我的测试，计数向量化器大约快 3 倍。