我正试图为scikit learn准备一个数据集，计划构建pandas数据帧，将其提供给决策树分类器。
数据代表不同的公司，具有不同的标准，但有些标准可以有多个值，例如"客户细分市场"，对于任何给定的公司，它可以是SMB、中端市场、企业等中的任何一个或全部。还有其他类似的标准/列，具有多个可能的值。我需要根据个人价值做出决定，而不是根据总体价值做出决定——因此，A公司适用于SMB，A公司适合于中端市场，而不是将客户A"分组"用于SMB和中端市场。
有关于如何处理这一问题的指导吗？我是否需要为给定公司的每个变体生成行，以便将其输入到学习例程中？这样一个输入：
Company,Segment
A,SMB:MM:ENT
变为：
A, SMB
A, MM
A, ENT
以及可能来自其他标准/列的任何其他变体，例如"客户垂直"，也可能包括多个值？这似乎会大大增加数据集的大小。有没有更好的方法来构建这些数据和/或处理这种情况？
我的最终目标是让用户用简单的问题完成一个简短的调查，并将他们的回答映射到价值观中，以获得对给定细分市场、垂直领域、产品类别等"正确"公司的预测。但我正在努力构建正确的学习数据集来实现这一点。
让我们试试。
df = pd.DataFrame({'company':['A','B'], 'segment':['SMB:MM:ENT', 'SMB:MM']})
expended_segment = df.segment.str.split(':', expand=True)
expended_segment.columns = ['segment'+str(i) for i in range(len(expended_segment.columns))]
wide_df = pd.concat([df.company, expended_segment], axis=1)
result = pd.melt(wide_df, id_vars=['company'], value_vars=list(set(wide_df.columns)-set(['company'])))
result.dropna()