我有一个 pandas 数据框，其中两个数据框的组合我认为是唯一标识符，然后是一个可以具有不同值的列“C”。因此，同一个唯一标识符可以重复的次数与其具有的不同“C”值的数量一样多。
import pandas as pd
data = {'A' : ['000001','000001','000001','000001','000002','000002','000003'],
'B' : ['1A','1A','1C','1D','1A','1A','1D'],
'C' : ['003','012','016','003','020','012','053']}
df = pd.DataFrame(data)
+-------------------+
| A | B | C |
+-------------------+
| 000001 | 1A | 003 |
| 000001 | 1A | 012 |
| 000001 | 1C | 016 |
| 000001 | 1D | 003 |
| 000002 | 1A | 020 |
| 000002 | 1A | 012 |
| 000003 | 1D | 053 |
+-------------------+
我想根据 A、B 对行进行分组，然后转出 C 列并将它们变成虚拟对象。这就是我需要的最终输出:
+----------------------------------------------------+
| A | B | C_003 | C_012 | C_016 | C_020 |C_053 |
+----------------------------------------------------+
| 000001 | 1A | 1 | 1 | 0 | 0 | 0 |
| 000001 | 1C | 0 | 0 | 1 | 0 | 0 |
| 000001 | 1D | 1 | 0 | 0 | 0 | 0 |
| 000002 | 1A | 0 | 1 | 0 | 1 | 0 |
| 000003 | 1D | 0 | 0 | 0 | 0 | 1 |
+----------------------------------------------------+
我真的不擅长数据透视表，但也不确定数据透视表是否能达到我想要的输出。我正在寻找一个 super 高效的过程，因为实际数据有更多列作为标识符的一部分(如 A、B)、数千个可能的 C 值和数百万行。有什么想法吗？
请您参考如下方法:
pandas.get_dummies 助您一臂之力。
pd.get_dummies(df.set_index(['A', 'B'])).reset_index()
A B C_003 C_012 C_016 C_020 C_053
0 000001 1A 1 0 0 0 0
1 000001 1A 0 1 0 0 0
2 000001 1C 0 0 1 0 0
3 000001 1D 1 0 0 0 0
4 000002 1A 0 0 0 1 0
5 000002 1A 0 1 0 0 0
6 000003 1D 0 0 0 0 1
或者……(感谢文提醒)
pd.get_dummies(df.set_index(['A', 'B'])).sum(level=[0, 1]).reset_index()
A B C_003 C_012 C_016 C_020 C_053
0 000001 1A 1 1 0 0 0
1 000001 1C 0 0 1 0 0
2 000001 1D 1 0 0 0 0
3 000002 1A 0 1 0 1 0
4 000003 1D 0 0 0 0 1
