pandas 分类数据的使用
更新时间：2023-05-12 06:56:31 标签：pandas
分类数据
看过来
《pandas 教程》 持续更新中，可作为 pandas 入门进阶课程、pandas 中文手册、用法大全，配有案例讲解和速查手册。提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。查看更新日志。作者开办 Python 数据分析培训，详情 Python 数据分析培训。
|
本教程作者所著新书《深入浅出Pandas：利用Python进行数据处理与分析》（ISBN：9787111685456）已由机械工业出版社出版上市，各大电商平台有售，欢迎：查看详情并关注购买。 |
分类数据具有类别和有序属性，它们列出了它们的可能值以及排序是否重要。 这些属性以 s.cat.categories 和 s.cat.ordered 形式体现出来。 如果您不手动指定类别和顺序，则可以从传递的参数中推断出它们。
顺序
新的分类数据不会自动排序。 您必须显式传递 ordered=True 来指示有序的分类。
查看分类数据的顺序：
s = pd.Series(["a", "b", "c", "a"], dtype="category")
s.cat.categories
# Index(['a', 'b', 'c'], dtype='object')
s.cat.ordered
# False
也可以按特定顺序传递类别：
s = pd.Series(pd.Categorical(["a", "b", "c", "a"],
categories=["c", "b", "a"]))
s.cat.categories
# Index(['c', 'b', 'a'], dtype='object')
s.cat.ordered
# False
unique() 的结果并不总是与 Series.cat.categories 相同，因为Series.unique() 具有两个保证，即它按出现的顺序返回类别，并且仅包括实际存在的值。
s = pd.Series(list('babc')).astype(CategoricalDtype(list('abcd')))
s
'''
0 b
1 a
2 b
3 c
dtype: category
Categories (4, object): [a, b, c, d]
'''
# categories
s.cat.categories
# Index(['a', 'b', 'c', 'd'], dtype='object')
# uniques
s.unique()
'''
[b, a, c]
Categories (3, object): [b, a, c]
'''
描述统计 Description
在分类数据上使用 describe() 会产生与字符串类型的 Series 或 DataFrame 类似的输出。
df = pd.DataFrame({"cat": cat, "s": ["a", "c", "c", np.nan]})
df.describe()
'''
cat s
count 3 3
unique 2 2
top c c
freq 2 2
'''
df["cat"].describe()
'''
count 3
unique 2
top c
freq 2
Name: cat, dtype: object
'''
重命名类别
重命名类别是通过将新值分配给 Series.cat.categories 属性或使用rename_categories() 方法来完成的：
s = pd.Series(["a", "b", "c", "a"], dtype="category")
s
'''
0 a
1 b
2 c
3 a
dtype: category
Categories (3, object): [a, b, c]
'''
s.cat.categories = ["Group %s" % g for g in s.cat.categories]
s
'''
0 Group a
1 Group b
2 Group c
3 Group a
dtype: category
Categories (3, object): [Group a, Group b, Group c]
'''
s = s.cat.rename_categories([1, 2, 3])
s
'''
0 1
1 2
2 3
3 1
dtype: category
Categories (3, int64): [1, 2, 3]
'''
# 使用字典重命名
s = s.cat.rename_categories({1: 'x', 2: 'y', 3: 'z'})
s
'''
0 x
1 y
2 z
3 x
dtype: category
Categories (3, object): [x, y, z]
'''
需要注意的是，指定的类型数据必须不重复，否则会引发 ValueError:
try:
s.cat.categories = [1, 1, 1]
except ValueError as e:
print("ValueError:", str(e))
# ValueError: Categorical categories must be unique
NaN 值也会 ValueError:
try:
s.cat.categories = [1, 2, np.nan]
except ValueError as e:
print("ValueError:", str(e))
# ValueError: Categorial categories cannot be null
追加新的类别
可以使用 add_categories() 方法完成附加类别：
s = s.cat.add_categories([4])
s.cat.categories
# Index(['x', 'y', 'z', 4], dtype='object')
s
'''
0 x
1 y
2 z
3 x
dtype: category
Categories (4, object): [x, y, z, 4]
'''
删除类别
可以使用 remove_categories() 方法来删除类别， 删除的值将替换为 np.nan。
s = s.cat.remove_categories([4])
s
'''
0 x
1 y
2 z
3 x
dtype: category
Categories (3, object): [x, y, z]
'''
删除未使用的类别：
s = pd.Series(pd.Categorical(["a", "b", "a"],
categories=["a", "b", "c", "d"]))
s
'''
0 a
1 b
2 a
dtype: category
Categories (4, object): [a, b, c, d]
'''
s.cat.remove_unused_categories()
'''
0 a
1 b
2 a
dtype: category
Categories (2, object): [a, b]
'''
设置类别
如果您要一步一步地删除和添加新类别（这在速度方面有优势），或者只是将类别设置为预定义的，请使用 set_categories() 。
s = pd.Series(["one", "two", "four", "-"], dtype="category")
s
'''
0 one
1 two
2 four
3 -
dtype: category
Categories (4, object): [-, four, one, two]
'''
s = s.cat.set_categories(["one", "two", "three", "four"])
s
'''
0 one
1 two
2 four
3 NaN
dtype: category
Categories (4, object): [one, two, three, four]
'''
请注意 Categorical.set_categories() 无法知道某个类别是故意省略还是由于类型差异（例如，NumPy S1 dtype 和 Python 字符串）而拼写错误或（在 Python3 下）。 这可能会导致令人惊讶的行为！
