Python Pandas - 分类数据

通常是实时的,数据包括重复的文本列。 性别、国家和代码等特征总是重复的。 这些是分类数据的示例。

分类变量只能采用有限且通常固定数量的可能值。 除了固定长度外,分类数据可能有顺序但不能进行数值运算。 分类是 Pandas 数据类型。

分类数据类型在以下情况下很有用 −

  • 仅由几个不同值组成的字符串变量。 将这样的字符串变量转换为分类变量将节省一些内存。

  • 变量的词法顺序与逻辑顺序不同("one", "two", "three")。 通过转换为分类并指定分类的顺序,排序和最小/最大将使用逻辑顺序而不是词法顺序。

  • 作为向其他 python 库的信号,应将此列视为分类变量(例如,使用合适的统计方法或绘图类型)。


对象创建

可以通过多种方式创建分类对象。 下面描述了不同的方法 −

category

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

它的输出如下 −

0  a
1  b
2  c
3  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。 在输出类别中观察相同。

pd.Categorical

使用标准的 pandas Categorical 构造函数,我们可以创建一个类别对象。

pandas.Categorical(values, categories, ordered)

举个例子 −

import pandas as pd

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

它的输出如下 −

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

让我们再举一个例子 −

import pandas as pd

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

它的输出如下 −

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

在这里,第二个参数表示类别。 因此,类别中不存在的任何值都将被视为 NaN

Now, take a look at the following example −

import pandas as pd

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

它的输出如下 −

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

从逻辑上讲,顺序意味着a 大于b 并且b 大于c

Description

对分类数据使用 .describe() 命令,我们得到与 SeriesDataFrame 类似的输出 键入 字符串。

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 df["cat"].describe()

它的输出如下 −

       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 Category 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

它的输出如下 −

Index([u'b', u'a', u'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

它的输出如下 −

False

函数返回false,因为我们没有指定任何顺序。

重命名类别

通过为 series.cat.categoriesseries.cat.categories 属性分配新值来重命名类别。

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

它的输出如下 −

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

初始类别 [a,b,c] 由对象的 s.cat.categories 属性更新。

添加新类别

使用 Categorical.add.categories() 方法,可以添加新类别。

import pandas as pd

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

它的输出如下 −

Index([u'a', u'b', u'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 ("After removal:")
print s.cat.remove_categories("a")

它的输出如下 −

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

After removal:
0  NaN
1  b
2  c
3  NaN
dtype: category
Categories (2, object): [b, c]

分类数据比较

在三种情况下可以将分类数据与其他对象进行比较 −

  • 将相等性(== 和 !=)与与分类数据长度相同的类似列表的对象(列表、系列、数组...)进行比较。

  • 分类数据与另一个分类系列的所有比较 (==, !=, >, >=, <, and <=),当ordered==True 并且类别相同时。

  • 分类数据与标量的所有比较。

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

它的输出如下 −

0  False
1  False
2  True
dtype: bool