我们还可以使用sklearn.preprocessing.MultiLabelBinarizer：

通常，我们想将 稀疏 Dataframe用于现实世界的数据，以节省大量RAM。

稀疏解决方案

from sklearn.preprocessing import MultiLabelBinarizermlb = MultiLabelBinarizer(sparse_output=True)df = df.join( pd.Dataframe.sparse.from_spmatrix(     mlb.fit_transform(df.pop('Col3')),     index=df.index,     columns=mlb.classes_))

结果：

In [38]: dfOut[38]:  Col1  Col2  Apple  Banana  Grape  Orange0    C  33.0      1       1      0       11    A   2.5      1       0      1       02    B  42.0      0       1      0       0In [39]: df.dtypesOut[39]:Col1     objectCol2    float64Apple     Sparse[int32, 0]Banana    Sparse[int32, 0]Grape     Sparse[int32, 0]Orange    Sparse[int32, 0]dtype: objectIn [40]: df.memory_usage()Out[40]:Index     128Col1       24Col2       24Apple      16    #  <--- NOTE!Banana     16    #  <--- NOTE!Grape       8    #  <--- NOTE!Orange      8    #  <--- NOTE!dtype: int64

致密溶液

mlb = MultiLabelBinarizer()df = df.join(pd.Dataframe(mlb.fit_transform(df.pop('Col3')),    columns=mlb.classes_,    index=df.index))

结果：

In [77]: dfOut[77]:  Col1  Col2  Apple  Banana  Grape  Orange0    C  33.0      1       1      0       11    A   2.5      1       0      1       02    B  42.0      0       1      0       0