我有这样的浮点数据，这是由3个神经元生成的神经网络输出。我想将其转换为二进制分类标签（互斥），根据每行的最大值来决定。
0.423201 0.368718 0.338091 0.246899 0.437535 0.000262 0.978685 0.136219 0.027693输出应该为
1 0 00 1 01 0 0这意味着每一行只能有一个值为1，其余均为0（最大值变为1）。
如何在pandas或Python中实现？我知道pandas中的get_dummies是可行的方法，但它不起作用。
如果可以，请帮助我。
回答：
我认为你可以使用rank，然后将其与df1的最大值进行比较。最后通过astype将布尔DataFrame转换为int：
print df 0 1 20 0.423201 0.368718 0.3380911 0.246899 0.437535 0.0002622 0.978685 0.136219 0.027693df1 = df.rank(method='max', axis=1)print df1 0 1 20 3 2 11 2 3 12 3 2 1#get max value of df1ma = df1.max().max()print ma3.0print (df1 == ma) 0 1 20 True False False1 False True False2 True False Falseprint (df1 == ma).astype(int) 0 1 20 1 0 01 0 1 02 1 0 0编辑：
我认为你可以使用eq来按行与df的max进行比较，最后通过astype转换为int：
print df.max(axis=1)0 101 82 9dtype: int64print df.eq(df.max(axis=1), axis=0).astype(int) 0 1 20 1 0 01 0 1 02 1 0 0性能测试
len(df) = 3：
In [418]: %timeit df.eq(df.max(axis=1), axis=0).astype(int)最慢的运行时间比最快的运行时间长5.44倍。这可能意味着中间结果被缓存了1000 loops, best of 3: 334 µs per loopIn [419]: %timeit df.apply(lambda x: x == x.max(), axis='columns').astype(int)最慢的运行时间比最快的运行时间长4.49倍。这可能意味着中间结果被缓存了1000 loops, best of 3: 1.44 ms per loopIn [420]: %timeit (df.rank(method='max', axis=1) == df.rank(method='max', axis=1).max().max()).astype(int)最慢的运行时间比最快的运行时间长4.83倍。这可能意味着中间结果被缓存了1000 loops, best of 3: 656 µs per looplen(df) = 3000：
In [426]: %timeit df.eq(df.max(axis=1), axis=0).astype(int)最慢的运行时间比最快的运行时间长5.44倍。这可能意味着中间结果被缓存了1000 loops, best of 3: 456 µs per loopIn [427]: %timeit df.apply(lambda x: x == x.max(), axis='columns').astype(int)1 loops, best of 3: 496 ms per loopIn [428]: %timeit (df.rank(method='max', axis=1) == df.rank(method='max', axis=1).max().max()).astype(int)最慢的运行时间比最快的运行时间长4.50倍。这可能意味着中间结果被缓存了1000 loops, best of 3: 1.32 ms per loop