我正在尝试通过因子化来编码数据框中的类别列表。之后，我将从这些列表序列中创建一个矩阵（将它们标准化到固定长度，创建多维数组，并对矩阵中的元素进行独热编码）。

然而，因子在行之间无法保持一致性。这在下面的代码中可以看到：

>>> import pandas as pd>>> df = pd.DataFrame({'A': [ ['Other', 'Male', 'Female', 'Male', 'Other'], ['Female', 'Other', 'Male'] ]})>>> df['B'] = df.A.apply(lambda x: pd.factorize(x)[0])>>> df                                    A                B0  [Other, Male, Female, Male, Other]  [0, 1, 2, 1, 0]1               [Female, Other, Male]        [0, 1, 2]

有谁知道如何在这些行之间保持编码的一致性吗？

回答：

你可以使用来自sklearn的LabelEncoder：

拟合编码器：

from sklearn import preprocessingle = preprocessing.LabelEncoder()le.fit([s for l in df.A for s in l])

转换列：

df.A.apply(le.transform)#0    [2, 1, 0, 1, 2]#1          [0, 2, 1]#Name: A, dtype: objectle.classes_#array(['Female', 'Male', 'Other'], #      dtype='<U6')