質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

88.92%

get_dummysを使ってone hotエンコーディングをしようとしているが重複の対応の処理が上手くできない

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 168

ROKUNO

score 10

Python初心者です。Python3を使っており、pandas dataframeのget_dummysで解決しようとして詰まっております。

前提・実現したいこと

DataFrame(1もしくは2)を元に0, 1のone hotに置き換えをしたい。

手元には加工用のデータとしてDataFrame1もしくはDataFrame2があります。idは個人で、これまで住んだことのある場所がlocationにでてきます。多くの人は同じ国にいますが、移動される方がいるので、locationを複数持ってる人がいるような形のデータです。

#加工に使用した元データ
#DataFrame1
#id  location
#12  japan
#9   china
:
#8   taiwan
#10  usa
#12  usa
#10  canada
#10  japan


#もしくはこの形でも対応できます
#DataFrame2
#id  location
#12  japan, usa
#9   china
:
#8   taiwan
#10  usa, canada, japan
#最終的に完成してほしい形

#DataFrame3
#id  japan usa china canada taiwan
#12  1     1   0     0      0
#9   0     0   1     0      0
:
#8   0     0   0     0      1
#10  1     1   0     1      0 


実際に算出するステップとしてはいくつか方法を考えましたが、idの数が多く(1万行ほど)、自分のPCのスペックだと処理に時間がかかる、リソースが足りないなどで、詰まっています。
1.DataFrame1でget_dummysを実施し各行ごとにone hotを作成。重複のあるものを後から足し合わせようとしたが、時間がかかり失敗。
2.get_dummysを使用せずに、同一のidを抽出後、作成しておいたtempleteに、該当の国名があれば、1を入れるようにする。時間がかかり同じく失敗。
3.事前に重複があるものを別々のdataframeに切り分けて、get_dummysを実行。カラムなどを揃えて、あとからmergeしようとするが失敗。

効率的に対応できるTipsなどアドバイスをいただけると大変有り難いです。

*今回のdataframeは質問用に作成したものです。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 2

checkベストアンサー

+1

get_dummies() → groupby("Id") → sum() でできます。

import pandas as pd

df = pd.DataFrame(
    {
        "Id": [12, 9, 8, 10, 12, 10, 10],
        "Country": ["Japan", "China", "Taiwan", "Usa", "Usa", "Canada", "Japan"],
    }
)

ret = pd.get_dummies(df, prefix="", prefix_sep="").groupby("Id").sum()
   Id     Canada     China     Japan     Taiwan     Usa 
    8          0         0         0          1       0 
    9          0         1         0          0       0 
   10          1         0         1          0       1 
   12          0         0         1          0       1 

仕組み

        Id   Country   
  0     12   Japan     
  1      9   China     
  2      8   Taiwan    
  3     10   Usa       
  4     12   Usa       
  5     10   Canada    
  6     10   Japan     

↓ pd.get_dummies(df, prefix="", prefix_sep="")

        Id     Canada     China     Japan     Taiwan     Usa 
  0     12          0         0         1          0       0 
  1      9          0         1         0          0       0 
  2      8          0         0         0          1       0 
  3     10          0         0         0          0       1 
  4     12          0         0         0          0       1 
  5     10          1         0         0          0       0 
  6     10          0         0         1          0       0 

groupby("Id")

Id = 8

        Id     Canada     China     Japan     Taiwan     Usa 
  2      8          0         0         0          1       0 

Id = 9

        Id     Canada     China     Japan     Taiwan     Usa 
  1      9          0         1         0          0       0 

Id = 10

        Id     Canada     China     Japan     Taiwan     Usa 
  3     10          0         0         0          0       1 
  5     10          1         0         0          0       0 
  6     10          0         0         1          0       0 

Id = 12

        Id     Canada     China     Japan     Taiwan     Usa 
  0     12          0         0         1          0       0 
  4     12          0         0         0          0       1 

↓ sum()

   Id     Canada     China     Japan     Taiwan     Usa 
    8          0         0         0          1       0 
    9          0         1         0          0       0 
   10          1         0         1          0       1 
   12          0         0         1          0       1 

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2020/07/26 19:03

    ありがとうございます。無事に対応でき、また仕組みについても理解できました。今度ともよろしくお願い致します。

    キャンセル

+1

前者なら

df1_onehot = (
    pd.get_dummies(df1, columns=["location"], prefix="", prefix_sep="",)
    .groupby(by="id")
    .any()
    .astype(int)
)


後者なら

df2_onehot = df2.set_index("id").location.str.get_dummies(sep=", ")

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2020/07/26 19:03

    ありがとうございます!どちらのケースでも実施することができ大変助かりました。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.92%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る

  • トップ
  • Pythonに関する質問
  • get_dummysを使ってone hotエンコーディングをしようとしているが重複の対応の処理が上手くできない