1

estoy intentando pasar varias variables de un dataframe a dummies.

Una de las variables es música utilizada en una publicación de tiktok, donde no me ha sido complicado pasarla a dummie de la siguiente manera:

dummies_music = pd.get_dummies(df.music_title)

Pero estoy intentando pasar varias variables a la vez a dummies, ya que estas variables son hashtagh1, hashtag2... y hay valores repetidos entre estas dos variables, por lo que sólo me gustaría que se crease una dummie y tuviese en cuenta ese valor.

Adjunto imagen para facilitar la explicación: introducir la descripción de la imagen aquí

Donde sólo me gustaría que tuviese en cuenta una vez fcbarcelona, y así me dijese 1 en la publicación que se ha utilizado el hashtag y 0 en la que no, dando igual si es hashtag1 o 2

1 respuesta 1

1

Puedes aplicar pandas.get_dummies sobre todas las columnas que desees, esto obviamente generará columnas "duplicadas". Para unir todas las columnas relativas al mismo hashtag en una puedes simplemente agrupar en base a las columnas con pandas.DataFrame.Groupby y aplicar any sobre cada grupo.

any retornará True por cada fila si al menos una de las columnas es True y False si todas son False, es decir, equivaldría a aplicar or (|) de forma encadenada sobre la fila.

Primero un ejemplo simplificado:

import pandas as pd                                                                                                                                  
                                                                                                                                                 
df = pd.DataFrame({                                                                                                                                  
    "hashtag1": ("A", "B", "A", "C", "B", "B"),                                                                                                      
    "hashtag2": ("C", "B", "D", "B", "G", "A"),                                                                                                      
    "hashtag3": ("A", "E", "G", "F", "F", "D")}                                                                                                      
)                                                                                                                                                    

>>> df
                                                                  
  hashtag1 hashtag2 hashtag3                                                  
0        A        C        A                                                  
1        B        B        E                                                  
2        A        D        G                                                  
3        C        B        F                                                  
4        B        G        F                                                  
5        B        A        D 

Ahora, aplicando lo comentado:

dummies = pd.get_dummies(                                                                                                                            
    df[["hashtag1", "hashtag2", "hashtag3"]],                                                                                            
    prefix="",                                                                                                                                       
    prefix_sep=""                                                                                                                                    
).T.groupby(level=0).any().T 

tenemos:

>>> dummies 
                                                              
       A      B      C      D      E      F      G
0   True  False   True  False  False  False  False
1  False   True  False  False   True  False  False
2   True  False  False   True  False  False   True
3  False   True   True  False  False   True  False
4  False   True  False  False  False   True   True
5   True   True  False   True  False  False  False

Nota: Aunque a día de hoy aún se puede usar groupby(axis=1) para agrupar sobre las columnas, el argumento está marcado como obsoleto desde Pandas 2.1 y será eliminado en el futuro, por eso hago uso del dataframe transpuesto.

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.