Pandas分类数据

通常实时的数据包括重复的文本列。例如：性别，国家和代码等特征总是重复的。这些是分类数据的例子。

分类变量只能采用有限的数量，而且通常是固定的数量。除了固定长度，分类数据可能有顺序，但不能执行数字操作。 分类是Pandas数据类型。

分类数据类型在以下情况下非常有用 -

• 一个字符串变量，只包含几个不同的值。将这样的字符串变量转换为分类变量将会节省一些内存。
• 变量的词汇顺序与逻辑顺序("one"，"two"，"three")不同。 通过转换为分类并指定类别上的顺序，排序和最小/最大将使用逻辑顺序，而不是词法顺序。
• 作为其他python库的一个信号，这个列应该被当作一个分类变量(例如，使用合适的统计方法或plot类型)。

对象创建

分类对象可以通过多种方式创建。下面介绍了不同的方法 -

类别/分类

通过在pandas对象创建中将dtype指定为“category”。

import pandas as pd
s = pd.Series(["a","b","c","a"], dtype="category")
print (s)

执行上面示例代码，得到以下结果 -

0    a
   b
   c
   a
dtype: category
Categories (3, object): [a, b, c]

传递给系列对象的元素数量是四个，但类别只有三个。观察相同的输出类别。

pd.Categorical

使用标准Pandas分类构造函数，我们可以创建一个类别对象。语法如下 -

pandas.Categorical(values, categories, ordered)

举个例子 -

import pandas as pd
cat = pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c'])
print (cat)

执行上面示例代码，得到以下结果 -

[a, b, c, a, b, c]
Categories (3, object): [a, b, c]

再举一个例子 -

import pandas as pd
cat = cat=pd.Categorical(['a','b','c','a','b','c','d'], ['c', 'b', 'a'])
print (cat)

执行上面示例代码，得到以下结果 -

[a, b, c, a, b, c, NaN]
Categories (3, object): [c, b, a]

这里，第二个参数表示类别。因此，在类别中不存在的任何值将被视为NaN。

现在，看看下面的例子 -

import pandas as pd
cat = cat=pd.Categorical(['a','b','c','a','b','c','d'], ['c', 'b', 'a'],ordered=True)
print (cat)

执行上面示例代码，得到以结果 -

[a, b, c, a, b, c, NaN]
Categories (3, object): [c < b < a]

从逻辑上讲，排序(ordered)意味着，a大于b，b大于c。

描述

使用分类数据上的.describe()命令，可以得到与类型字符串的Series或DataFrame类似的输出。

import pandas as pd
import numpy as np

cat = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
df = pd.DataFrame({"cat":cat, "s":["a", "c", "c", np.nan]})
print (df.describe())
print ("=============================")
print (df["cat"].describe())

执行上面示例代码，得到以下结果 -

       cat  s
count    3  3
unique   2  2
top      c  c
freq     2  2
=============================
count     3
unique    2
top       c
freq      2
Name: cat, dtype: object

获取类别的属性

obj.cat.categories命令用于获取对象的类别。

import pandas as pd
import numpy as np

s = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
print (s.categories)

执行上面示例代码，得到以下结果 -

Index(['b', 'a', 'c'], dtype='object')

obj.ordered命令用于获取对象的顺序。

import pandas as pd
import numpy as np

cat = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
print (cat.ordered)

执行上面示例代码，得到以下结果 -

False

该函数返回结果为：False，因为这里没有指定任何顺序。

重命名类别

重命名类别是通过将新值分配给series.cat.categories属性来完成的。参考以下示例代码 -

import pandas as pd

s = pd.Series(["a","b","c","a"], dtype="category")
s.cat.categories = ["Group %s" % g for g in s.cat.categories]

print (s.cat.categories)

执行上面示例代码，得到以下结果 -

Index(['Group a', 'Group b', 'Group c'], dtype='object')

初始类别[a，b，c]由对象的s.cat.categories属性更新。

附加新类别
使用Categorical.add.categories()方法，可以追加新的类别。

import pandas as pd

s = pd.Series(["a","b","c","a"], dtype="category")
s = s.cat.add_categories([4])
print (s.cat.categories)

执行上面示例代码，得到以下结果 -

Index(['a', 'b', 'c', 4], dtype='object')

删除类别
使用Categorical.remove_categories()方法，可以删除不需要的类别。

import pandas as pd

s = pd.Series(["a","b","c","a"], dtype="category")
print ("Original object:")
print (s)
print("=====================================")
print ("After removal:")
print (s.cat.remove_categories("a"))

执行上面示例代码，得到以下结果 -

Original object:
   a
   b
   c
   a
dtype: category
Categories (3, object): [a, b, c]
=====================================
After removal:
   NaN
     b
     c
   NaN
dtype: category
Categories (2, object): [b, c]

分类数据的比较

在三种情况下可以将分类数据与其他对象进行比较 -

• 将等号(==和!=)与类别数据相同长度的类似列表的对象(列表，系列，数组…)进行比较。
• 当ordered==True和类别是相同时，所有比较(==，!=，>，>=，<，和<=)分类数据到另一个分类系列。
• 将分类数据与标量进行比较。

看看下面的例子 -

import pandas as pd

cat = pd.Series([1,2,3]).astype("category", categories=[1,2,3], ordered=True)
cat1 = pd.Series([2,2,2]).astype("category", categories=[1,2,3], ordered=True)

print (cat>cat1)

执行上面示例代码，得到以下结果 -

0    False
   False
    True
dtype: bool