pandas 中 Category 的应用

Categoricals 是 pandas 的一种数据类型，对应着被统计的变量。Categoricals 是由固定的且有限数量的变量组成的。比如：性别、社会阶层、血型、国籍、观察时段、赞美程度等等。

与其它被统计的变量相比，categorical 类型的数据可以具有特定的顺序——比如：按程度来设定，“强烈同意”与“同意”，“首次观察”与“二次观察”，但是不能做按数值来进行排序操作（比如：sort_by 之类的，换句话说，categorical 的顺序是创建时手工设定的，是静态的）

类型数据的每一个元素的值要么是预设好的类型中的某一个，要么是空值（np.nan）。顺序是由预设好的类型集合来决定的，而不是按照类型集合中各个元素的字母顺序排序的。categorical 实例的内部是由类型名字集合和一个整数组成的数组构成的，后者标明了类型集合真正的值。

对 Categorical 数据的一个直观认识

隐式创建 Categorical 数据

用一段代码从不同角度来展现一下 categorical 类型的数据。

# 先创建一个简单的 DataFrame 实例
# Terry, Hardon, Curry, Duran, James 和 Barter 代表东西部玩三打三
# 用一组数据记录各自的得分情况
import pandas as pd, numpy as np
players=['Garsol','Hardon','Bill','Duran','James','Barter']
scores=[22,34,12,31,26,19]
teams=['West','West','East','West','East','East']
df=pd.DataFrame({'player':players,'score':scores,'team':teams})
df

输出：

   player  score  team
0  Garsol     22  West
1  Hardon     34  West
2    Bill     12  East
3   Duran     31  West
4   James     26  East
5  Barter     19  East

可以看出 team 这一列，其实只有两种值：East 和 West，可以将 team 列的类型设定为 category

df.team.astype('category')

0    West
1    West
2    East
3    West
4    East
5    East
Name: team, dtype: category
Categories (2, object): [East, West]

可以看到，df.team 的变量类型变成了 category。当然，迄今为止，这个分类是我们手工标记上去的，主动给每一个球员加上了 east 或者 west 的标记。那么，如果是动态的来添加呢？比如按照得分来划分，将高于平均分的划为 Star，低于平均分的划为 Role。计算过程就应该是这样：

d=pd.Series(scores).describe()
score_ranges=[d['min']-1,d['mean'],d['max']+1]
score_labels=['Role','Star']
# 用pd.cut(ori_data, bins, labels) 方法
# 以 bins 设定的画界点来将 ori_data 归类，然后用 labels 中对应的 label 来作为分类名
df['level']=pd.cut(df['score'],score_ranges,labels=score_labels)
print 'df :'
print df
print '\n对比一下 Category 类型的数据和普通的 DataFrame中的列有什么区别'
print '\ndf[\'team\'] 是普通的 DataFrame列'
print df['team']
print '\ndf[\'level\'] 是 Category 类型的'
print df['level']
print '\n可以看出 df[\'level\'] 有点像是集合，输出信息会去重后列出组成元素'
print df['level'].get_values()

df :
   player  score  team level
0  Garsol     22  West  Role
1  Hardon     34  West  Star
2    Bill     12  East  Role
3   Duran     31  West  Star
4   James     26  East  Star
5  Barter     19  East  Role

对比一下 Category 类型的数据和普通的 DataFrame中的列有什么区别

df['team'] 是普通的 DataFrame列
0    West
1    West
2    East
3    West
4    East
5    East
Name: team, dtype: object

df['level'] 是 Category 类型的
0    Role
1    Star
2    Role
3    Star
4    Star
5    Role
Name: level, dtype: category
Categories (2, object): [Role < Star]

可以看出 df['level'] 有点像是集合，输出信息会去重后列出组成元素
['Role' 'Star' 'Role' 'Star' 'Star' 'Role']

显式创建 Categorical 数据

cg=pd.Categorical(['Role','Role','Star','Role','Killer','Star'],categories=['Role', 'Star'])
cg

[Role, Role, Star, Role, NaN, Star]
Categories (2, object): [Role, Star]

可以看到，构造方法中第二个参数是指定了实例中可以包含的元素，在第一个参数中的元素如果不在 categories 中，就会被转成NaN。
Categorical 实例可以转为 Series，被称为 categorical series

s=pd.Series(cg)
s

0    Role
1    Role
2    Star
3    Role
4     NaN
5    Star
dtype: category
Categories (2, object): [Role, Star]

也可以将 categorical 实例加入到 dataframe 实例的某一列中，被称为 categorical dataframe column：

df=pd.DataFrame({'players':['Garsol','Hardon','Bill','Duran','James','Barter']})
df['level']=cg
print df['level'],'\n\n',df.dtypes

0    Role
1    Role
2    Star
3    Role
4     NaN
5    Star
Name: level, dtype: category
Categories (2, object): [Role, Star] 
players      object
level      category
dtype: object

作者：那未必
链接：https://www.jianshu.com/p/20169d7f60bc
來源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。