生成二值特征矩阵：使用Pandas crosstab与reindex的高效方法

import pandas as pd

# 示例数据
data = {
    'featureSk': ['A', 'B', 'C', 'C', 'A', 'B'],
    'PersonNumber': [1001, 1001, 1003, 1004, 1002, 1005]
}
productusage_df = pd.DataFrame(data)

# 使用crosstab生成频率表
# index指定行，columns指定列
feature_matrix = pd.crosstab(productusage_df["PersonNumber"], productusage_df["featureSk"])

print("原始crosstab结果:")
print(feature_matrix)

原始crosstab结果:
featureSk     A  B  C
PersonNumber         
1001          1  1  0
1002          1  0  0
1003          0  0  1
1004          0  0  1
1005          0  1  0

# 目标用户列表
target_person_numbers = [1001, 1002, 1003]

# 使用reindex来包含所有目标用户，并用0填充缺失值
final_feature_matrix = feature_matrix.reindex(target_person_numbers, fill_value=0)

print("\n最终二值特征矩阵:")
print(final_feature_matrix)

最终二值特征矩阵:
featureSk     A  B  C
PersonNumber         
1001          1  1  0
1002          1  0  0
1003          0  0  1

import pandas as pd

def generate_binary_feature_matrix(productusage_df: pd.DataFrame, target_person_numbers: list) -> pd.DataFrame:
    """
    根据产品使用日志生成一个二值化的用户-特征矩阵。

    Args:
        productusage_df (pd.DataFrame): 包含 'featureSk' 和 'PersonNumber' 列的DataFrame。
        target_person_numbers (list): 期望在输出矩阵中包含的PersonNumber列表。

    Returns:
        pd.DataFrame: 二值化的特征矩阵，其中行是PersonNumber，列是featureSk，
                      单元格值为1表示用户使用了该特征，0表示未使用的特征。
    """
    if not isinstance(productusage_df, pd.DataFrame):
        raise TypeError("productusage_df 必须是一个 Pandas DataFrame。")
    if 'featureSk' not in productusage_df.columns or 'PersonNumber' not in productusage_df.columns:
        raise ValueError("productusage_df 必须包含 'featureSk' 和 'PersonNumber' 列。")

    # 步骤1: 使用crosstab生成基础频率矩阵
    # 任何非零计数在这里都被视为特征存在，对于二值化是合适的
    base_matrix = pd.crosstab(productusage_df["PersonNumber"], productusage_df["featureSk"])

    # 步骤2: 使用reindex来包含所有目标用户，并用0填充缺失值
    # 这会确保target_person_numbers中的所有用户都在结果中，
    # 并且对于未在base_matrix中出现的PersonNumber，其所有特征值都为0。
    final_matrix = base_matrix.reindex(target_person_numbers, fill_value=0)

    # 确保所有特征列都是整数类型 (0或1)
    # 虽然crosstab通常输出整数，但reindex可能导致类型变化，这里显式转换以保证结果一致性
    for col in final_matrix.columns:
        final_matrix[col] = final_matrix[col].astype(int)

    return final_matrix

# 示例数据
data = {
    'featureSk': ['A', 'B', 'C', 'C', 'A', 'B'],
    'PersonNumber': [1001, 1001, 1003, 1004, 1002, 1005]
}
productusage_df = pd.DataFrame(data)

# 测试目标用户列表
test_person_list = [1001, 1002, 1003, 9999] # 包含一个不存在的用户

# 调用函数生成特征矩阵
result_df = generate_binary_feature_matrix(productusage_df, test_person_list)

print("--- 最终生成的二值特征矩阵 ---")
print(result_df)

# 验证数据类型
print("\n--- 结果DataFrame信息 ---")
result_df.info()

--- 最终生成的二值特征矩阵 ---
featureSk     A  B  C
PersonNumber         
1001          1  1  0
1002          1  0  0
1003          0  0  1
9999          0  0  0

--- 结果DataFrame信息 ---
<class 'pandas.core.frame.DataFrame'>
Int64Index: 4 entries, 1001 to 9999
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   A       4 non-null      int64
 1   B       4 non-null      int64
 2   C       4 non-null      int64
dtypes: int64(3)
memory usage: 160.0 bytes