我正在处理一个电影数据集，其中包含类型作为特征。数据集中每个示例可能同时属于多个类型。因此，它们包含一个类型标签列表。

数据看起来像这样-

    movieId                                         genres0        1  [Adventure, Animation, Children, Comedy, Fantasy]1        2                     [Adventure, Children, Fantasy]2        3                                  [Comedy, Romance]3        4                           [Comedy, Drama, Romance]4        5                                           [Comedy]

我想对这个特征进行向量化。我尝试过使用LabelEncoder和OneHotEncoder，但它们似乎无法直接处理这些列表。

我可以手动进行向量化，但还有其他类似的特征包含太多的类别。对于那些特征，我更希望能直接使用FeatureHasher类。

有没有办法让这些编码类能处理这样的特征？或者有没有更好的方式来表示这样的特征，使得编码更容易？我非常欢迎任何建议。

回答：

这个StackOverflow问题有一些令人印象深刻的答案。在你的示例数据上，Teoretic的最后一个答案（使用sklearn.preprocessing.MultiLabelBinarizer）比Paulo Alves的解决方案快14倍（并且两者都比接受的答案更快）:

from sklearn.preprocessing import MultiLabelBinarizermlb = MultiLabelBinarizer()encoded = pd.DataFrame(mlb.fit_transform(df['genres']), columns=mlb.classes_, index=df.index)result = pd.concat([df['movieId'], encoded], axis=1)# 增加最大列数以打印整个结果DataFramepd.options.display.max_columns = 50result   movieId  Adventure  Animation  Children  Comedy  Drama  Fantasy  Romance0        1          1          1         1       1      0        1        01        2          1          0         1       0      0        1        02        3          0          0         0       1      0        0        13        4          0          0         0       1      1        0        14        5          0          0         0       1      0        0        0