分类数据的创建及排序

Task03：分类数据

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)。

⼀、category的创建及其性质

1. 类变量的创建

1.1.1.⽤Series创建

In [1]: import pandas as pd 
        import numpy  as np
 df = pd.read_csv('c:data/.data.csv)#导入数据集
 In [2]: pd.Series(["A, "B, "C, "A], dtype="category") 
 Out[2]: 0    A
         1    B
         2    C
         3    A
         dtype: category
         Categories (3, object): [A, B, C]

1.1.2.对DataFrame定类型创建

In [3]: temp_df = pd.DataFrame({'A':pd.Series(["a", "b", "c", "a"], dtype="category"),'B':list('abc d')})
        temp_df.dtypes
Out[3]: A    category 
        B      object
       dtype: object

1.1.3.利用内置Categorical类型创建

In [4]: cat = pd.Categorical(["A", "B", "C", "A"], categories=['A','B','C'])
        pd.Series(cat)
Out[4]: 0    A 
        1    B 
        2    C 
        3    A 
        dtype: category
        Categories (3, object): [A, B, C]

1.1.4.利用cut函数创建（使用cut函数创建的类变量认为序类变量）

#当使用cut创建函数时默认使⽤区间类型为标签
In [5]: pd.cut(np.random.randint(0,60,5), [0,10,30,60]) 
Out[5]: [(10, 30], (0, 10], (10, 30], (30, 60], (30, 60]] Categories (3, interval[int64]): [(0, 10] < (10, 30] < (30, 60]]
#可指定字符为标签
In [6]: pd.cut(np.random.randint(0,60,5), [0,10,30,60], right=False, labels=['0-10','10-30','30-60' ]) 
Out[6]: [10-30, 30-60, 30-60, 10-30, 30-60] Categories (3, object): [0-10 < 10-30 < 30-60]

2. 分类变量的结构

⼀个类变量包括三个部分：元素值（values）、分类类别（categories）、是否有序（order）

1.2.1.describe方法

describe方法描述了⼀个类序列的情况，包括非缺失值个数，元素值类别数（不是分类类别数），最多次出现的元素及其频数

In [7]: s = pd.Series(pd.Categorical(["a", "b", "c", "a",np.nan],categories=['a','b','c','d']))
        s.describe()
Out[7]: count     4
        unique    3 
        top       a 
        freq      2
        dtype: object 

1.2.2.categories和ordered属性（查看分类类别和是否排序）

In [8]: s.cat.categories 
Out[8]: Index(['A', 'B', 'C', 'D'], dtype='object')

In [9]: s.cat.ordered 
Out[9]: False

3.类别的修改

1.3.1.利用set_categories修改(修改分类，但本身值不会变)

In [10]: s = pd.Series(pd.Categorical(["a", "b", "c", "a",np.nan], categories=['a','b','c','d']))
        s.cat.set_categories(['new_a','c']) 
 Out[10]: 0    NaN 
          1    NaN
          2      c 
          3    NaN
          4    NaN 
          dtype: category
          Categories (2, object): [new_a, c]

1.3.2.利用rename_categories修改

注：该⽅法会把值和分类同时进行修改

In [11]: s = pd.Series(pd.Categorical(["a", "b", "c", "a",np.nan], categories=['a','b','c','d'])) 
         s.cat.rename_categories(['new_%s'%i for i in s.cat.categories]) 
Out[11]: 0    new_a 
         1    new_b 
         2    new_c 
         3    new_a 
         4      NaN 
         dtype: category 
        Categories (4, object): [new_a, new_b, new_c, new_d]

1.3.3.利用add_categories添加

In [13]: s = pd.Series(pd.Categorical(["a", "b", "c", "a",np.nan], categories=['a','b','c','d'])) 
         s.cat.add_categories(['e']) 
Out[13]: 0      a 
         1      b 
         2      c 
         3      a 
         4    NaN
         dtype: category
         Categories (5, object): [a, b, c, d, e]

1.3.4.利用remove_categories移除

In [14]: s = pd.Series(pd.Categorical(["a", "b", "c", "a",np.nan], categories=['a','b','c','d']))
         s.cat.remove_categories(['d']) 
Out[14]: 0      a 
         1      b
         2      c
         3      a 
         4    NaN
         dtype: category 
         Categories (3, object): [a, b, c]

1.3.5.删除元素值未出现的分类类型

In [15]: s = pd.Series(pd.Categorical(["a", "b", "c", "a",np.nan], categories=['a','b','c','d'])) 
         s.cat.remove_unused_categories()
Out[15]: 0      a
         1      b
         2      c
         3      a
         4    NaN 
         dtype: category
         Categories (3, object): [a, b, c] 

二、分类变量的排序

1.序的建立

将一个序列转为有序变量，可利用as_ordered方法；退为无序变量只使用as_unordered方法。

In [16]: s = pd.Series(["a", "d", "c", "a"]).astype('category').cat.as_ordered()
         s 
Out[16]: 0    a
         1    d
         2    c
         3    a 
         dtype: category
         Categories (3, object): [a < c < d]

2.排序

排序中可以使用值排序和索引排序这里就不列出代码。
值排序：按照键（key）来提取出相应的值（value）
索引排序：索引数组s[i]存放的是a[i]数组的原先应该在的数组位置，相当于 a[i]=a[s[i]];从0—n-1开始遍历，如果索引值和当前位置不符合，就顺着索引链进行循环调整，直到找到等于当前下标值的索引位置为止，每一轮循环所涉及的记录都调整到位，其索引下标都改为所在位置的小比。