Skip to main content
 首页 » 编程设计

python之如何将 a=1000000000 转换为十进制数 0 b=0100000000 转换为十进制数 1 等等 9 个数字

2024年12月31日9mayingbao

我有一个包含 10 列和 3000 行的数据集。每列包含一个 0 或 1。连接在一起的十列代表一个标签。有 0,1,2,3,4,5,6,7,8,9 十个标签。像“1000000000”这样的连接序列代表标签零,“0100000000”代表标签一(数字 1),“0000000001”代表标签九。

将这些序列转换为标签并将其作为第十一列添加到数据集中的最佳/有效代码是什么

  1. 循环
  2. lambda 函数
  3. 掩饰
  4. 二进制和操作

我很困惑,目前我正在尝试编写一个 lambda 函数来执行此操作,但这让我无处可去?

target1 = target.apply(lambda x: [print(x)  for j in range(10) for i in x], axis = 1) 

我想知道我应该使用哪种方法来实现这个模式匹配。

初始数据框

data = [[1,0,0,0,0,0,0,0,0,0], 
        [0,1,0,0,0,0,0,0,0,0], 
        [0,0,1,0,0,0,0,0,0,0], 
        [0,0,0,1,0,0,0,0,0,0], 
        [0,0,0,0,1,0,0,0,0,0], 
        [0,0,0,0,0,1,0,0,0,0], 
        [0,0,0,0,0,0,1,0,0,0], 
        [0,0,0,0,0,0,0,1,0,0], 
        [0,0,0,0,0,0,0,0,1,0], 
        [0,0,0,0,0,0,0,0,0,1]] 
df = pd.DataFrame(data) 

带有第十一列名称标签的最终数据

[dataframe][label] 
1000000000  0    
0100000000  1   
0010000000  2   
0001000000  3   
0000100000  4   
0000010000  5   
0000001000  6   
0000000100  7   
0000000010  8   
0000000001  9   

请您参考如下方法:

您正在有效地寻找具有最大值的列索引,因此您可以使用 Dataframe.idxmax() , axis=1 应用于每一行的值:

df['label'] = df.idxmax(axis=1) 

请注意,如果您有 其他 列,而不仅仅是 10 个数字列,您首先要只选择 10 个数字列;例如df.iloc[:, range(10)].idxmax(...).

演示:

>>> import pandas as pd 
>>> data = [[1,0,0,0,0,0,0,0,0,0], 
...         [0,1,0,0,0,0,0,0,0,0], 
...         [0,0,1,0,0,0,0,0,0,0], 
...         [0,0,0,1,0,0,0,0,0,0], 
...         [0,0,0,0,1,0,0,0,0,0], 
...         [0,0,0,0,0,1,0,0,0,0], 
...         [0,0,0,0,0,0,1,0,0,0], 
...         [0,0,0,0,0,0,0,1,0,0], 
...         [0,0,0,0,0,0,0,0,1,0], 
...         [0,0,0,0,0,0,0,0,0,1]] 
>>> df = pd.DataFrame(data) 
>>> df['label'] = df.idxmax(axis=1) 
>>> df 
   0  1  2  3  4  5  6  7  8  9  label 
0  1  0  0  0  0  0  0  0  0  0      0 
1  0  1  0  0  0  0  0  0  0  0      1 
2  0  0  1  0  0  0  0  0  0  0      2 
3  0  0  0  1  0  0  0  0  0  0      3 
4  0  0  0  0  1  0  0  0  0  0      4 
5  0  0  0  0  0  1  0  0  0  0      5 
6  0  0  0  0  0  0  1  0  0  0      6 
7  0  0  0  0  0  0  0  1  0  0      7 
8  0  0  0  0  0  0  0  0  1  0      8 
9  0  0  0  0  0  0  0  0  0  1      9 

我一开始提倡通过 Dataframe.apply() 使用 Series.idxmax(),但在现已删除的评论中,Jezrael 提醒我 Dataframe .idxmax() 也存在并且在这里更实用。