【python数据预处理系列】使用Pandas的factorize()函数进行类别编码(整数编码)

在Pandas中，factorize()函数主要用于将分类变量转换为整数编码，这对于减少内存使用或准备数据进行某些统计分析非常有用。

它实际上是将列的唯一值映射到从0开始的整数序列上。

假设有一个DataFrame，其中一列包含一些类别值，你希望将这些类别值替换为从0开始的整数序号，这可以看作是一种“重新命名”的方式。

以下是一个例子：

一、准备数据

import pandas as pd

# 示例数据
data = {'Category': ['Apple', 'Banana', 'Cherry', 'Apple', 'Banana', 'Cherry']}
df = pd.DataFrame(data)

print("Original DataFrame:")
df

二、对Categoey列进行整数编码

# 使用 factorize() 函数对 'Category' 列进行整数编码
# factorize 返回两个值：一个是编码后的Series，另一个是原始类别的数组，这里我们只需要第一个
df['Category'] = pd.factorize(df['Category'])[0]

df

在这个例子中，原始的DataFrame有一列名为Category，包含苹果（Apple）、香蕉（Banana）和樱桃（Cherry）三种水果的名称。

使用pd.factorize()后，这一列的每个唯一字符串值被替换为一个整数：'Apple'变为0，'Banana'变为1，'Cherry'变为2。这样一来，虽然列名没有变，但列中的数据被赋予了新的、连续的整数标识，这在某些数据分析场景下非常有用。