如何删除使用pd.get_dummies后生成的重复列，并将它们的方差作为截止值

Question

我有一个使用pd.get_dummies生成的数据帧，如下所示：

df_target = pd.get_dummies(df_column[column], dummy_na=True,prefix=column)

其中，column是列名，df_column是从其中提取每列以执行某些操作的数据帧。

rev_grp_m2_> 225    rev_grp_m2_nan  rev_grp_m2_nan
0                       0                   0
0                       0                   0
0                       0                   0
0                       0                   0
0                       0                   0
0                       0                   0
0                       0                   0
1                       0                   0
0                       0                   0
0                       0                   0
0                       0                   0
0                       0                   0

现在，我对生成的每一列进行方差检查，并跳过方差为零的列。

for target_column in list(df_target.columns):
    # If variance of the dummy created is zero : append it to a list and print to log file.
    if ((np.var(df_target_attribute[[target_column]])[0] != 0)==True):
        df_final[target_column] = df_target[target_column]

在这里，由于两列相同，我得到了np.var行的一个键错误。nan列有两个方差值：

erev_grp_m2_nan    0.000819
rev_grp_m2_nan    0.000000

理想情况下，我希望取方差为非零方差的变量，并删除/跳过变量为0var的变量。

有人能帮我一下吗？

Answer 1

对于DataFrame.var使用：

print (df.var())
rev_grp_m2_> 225    0.083333
rev_grp_m2_nan      0.000000
rev_grp_m2_nan      0.000000

最后一个用于过滤的是boolean indexing

out = df.loc[:, df.var()!= 0]
print (out)
    rev_grp_m2_> 225
0                  0
1                  0
2                  0
3                  0
4                  0
5                  0
6                  0
7                  1
8                  0
9                  0
10                 0
11                 0

编辑:您可以获取非0值的索引，然后通过iloc进行搜索

cols = [i for i in np.arange(len(df.columns)) if np.var(df.iloc[:, i]) != 0]
print (cols)
[0]

df = df.iloc[:, cols]
print (df)
    rev_grp_m2_> 225
0                  0
1                  0
2                  0
3                  0
4                  0
5                  0
6                  0
7                  1
8                  0
9                  0
10                 0
11                 0

另一种想法是，如果所有值都为0，则过滤掉

cols = [i for i in np.arange(len(df.columns)) if (df.iloc[:, i] != 0).any()]
out = df.iloc[:, cols]

或者：

out = df.loc[:, (df != 0).any()]
print (out)
    rev_grp_m2_> 225
0                  0
1                  0
2                  0
3                  0
4                  0
5                  0
6                  0
7                  1
8                  0
9                  0
10                 0
11                 0