Pandas 分类数据

category的创建及其性质

分类变量的创建
（a）用Series创建

pd.Series([“a”, “b”, “c”, “a”], dtype=“category”)得出

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

（b）对DataFrame指定类型创建

temp_df = pd.DataFrame({‘A’:pd.Series([“a”, “b”, “c”, “a”], dtype=“category”),‘B’:list(‘abcd’)})
temp_df.dtypes

A category
B object
dtype: object

（c）利用内置Categorical类型创建

cat = pd.Categorical([“a”, “b”, “c”, “a”], categories=[‘a’,‘b’,‘c’])
pd.Series(cat)

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

（d）利用cut函数创建
默认使用区间类型为标签

pd.cut(np.random.randint(0,60,5), [0,10,30,60])

[(30, 60], (30, 60], (10, 30], (30, 60], (0, 10]]
Categories (3, interval[int64]): [(0, 10] < (10, 30] < (30, 60]]

可指定字符为标签

pd.cut(np.random.randint(0,60,5), [0,10,30,60], right=False, labels=[‘0-10’,‘10-30’,‘30-60’])

[10-30, 30-60, 30-60, 10-30, 30-60]
Categories (3, object): [0-10 < 10-30 < 30-60]

分类变量的结构
一个分类变量包括三个部分，元素值（values）、分类类别（categories）、是否有序（order）
从上面可以看出，使用cut函数创建的分类变量默认为有序分类变量
下面介绍如何获取或修改这些属性
（a）describe方法
该方法描述了一个分类序列的情况，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

s = pd.Series(pd.Categorical([“a”, “b”, “c”, “a”,np.nan], categories=[‘a’,‘b’,‘c’,‘d’]))
s.describe()

count 4
unique 3
top a
freq 2
dtype: object

（b）categories和ordered属性
查看分类类别和是否排序

类别的修改
（a）利用set_categories修改
修改分类，但本身值不会变化

s = pd.Series(pd.Categorical([“a”, “b”, “c”, “a”,np.nan], categories=[‘a’,‘b’,‘c’,‘d’]))
s.cat.set_categories([‘new_a’,‘c’])

0 NaN
1 NaN
2 c
3 NaN
4 NaN
dtype: category
Categories (2, object): [new_a, c]

（b）利用rename_categories修改
需要注意的是该方法会把值和分类同时修改

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])

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]

利用字典修改值

s.cat.rename_categories({‘a’:‘new_a’,‘b’:‘new_b’})

0 new_a
1 new_b
2 c
3 new_a
4 NaN
dtype: category
Categories (4, object): [new_a, new_b, c, d]

（c）利用add_categories添加

s = pd.Series(pd.Categorical([“a”, “b”, “c”, “a”,np.nan], categories=[‘a’,‘b’,‘c’,‘d’]))
s.cat.add_categories([‘e’])

0 a
1 b
2 c
3 a
4 NaN
dtype: category
Categories (5, object): [a, b, c, d, e]

d）利用remove_categories移除

s = pd.Series(pd.Categorical([“a”, “b”, “c”, “a”,np.nan], categories=[‘a’,‘b’,‘c’,‘d’]))
s.cat.remove_categories([‘d’])

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

（e）删除元素值未出现的分类类型

s = pd.Series(pd.Categorical([“a”, “b”, “c”, “a”,np.nan], categories=[‘a’,‘b’,‘c’,‘d’]))
s.cat.remove_unused_categories()

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

分类变量的排序

前面提到，分类数据类型被分为有序和无序，这非常好理解，例如分数区间的高低是有序变量，考试科目的类别一般看做无序变量

序的建立

（a）一般来说会将一个序列转为有序变量，可以利用as_ordered方法
退化为无序变量，只需要使用as_unordered

s = pd.Series([“a”, “d”, “c”, “a”]).astype(‘category’).cat.as_ordered()
s

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

s.cat.as_unordered()

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

b）利用set_categories方法中的order参数

pd.Series([“a”, “d”, “c”, “a”]).astype(‘category’).cat.set_categories([‘a’,‘c’,‘d’],ordered=True)

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

（c）利用reorder_categories方法
这个方法的特点在于，新设置的分类必须与原分类为同一集合

s = pd.Series([“a”, “d”, “c”, “a”]).astype(‘category’)
s.cat.reorder_categories([‘a’,‘c’,‘d’],ordered=True)
#s.cat.reorder_categories([‘a’,‘c’],ordered=True) #报错
#s.cat.reorder_categories([‘a’,‘c’,‘d’,‘e’],ordered=True) #报错

排序

先前在第1章介绍的值排序和索引排序都是适用的

s = pd.Series(np.random.choice([‘perfect’,‘good’,‘fair’,‘bad’,‘awful’],50)).astype(‘category’)
s.cat.set_categories([‘perfect’,‘good’,‘fair’,‘bad’,‘awful’][::-1],ordered=True).head()

0 good
1 fair
2 bad
3 perfect
4 perfect
dtype: category
Categories (5, object): [awful < bad < fair < good < perfect]

s.sort_values(ascending=False).head()

29 perfect
17 perfect
31 perfect
3 perfect
4 perfect
dtype: category
Categories (5, object): [awful, bad, fair, good, perfect]

df_sort = pd.DataFrame({‘cat’😒.values,‘value’:np.random.randn(50)}).set_index(‘cat’)
df_sort.head()

value

cat
good -1.746975
fair 0.836732
bad 0.094912
perfect -0.724338
perfect -1.456

df_sort.sort_index().head()

value

cat
awful 0.245782
awful 0.063991
awful 1.541862
awful -0.062976
awful 0.472542

分类变量的比较操作

与标量或等长序列的比较
（a）标量比较

s = pd.Series([“a”, “d”, “c”, “a”]).astype(‘category’)
s == ‘a’

0 True
1 False
2 False
3 True
dtype: bool

（b）等长序列比较

s == list(‘abcd’)

0 True
1 False
2 True
3 False
dtype: bool

与另一分类变量的比较

s = pd.Series([“a”, “d”, “c”, “a”]).astype(‘category’)
s == s

0 True
1 True
2 True
3 True
dtype: bool

（a）等式判别（包含等号和不等号）
两个分类变量的等式判别需要满足分类完全相同
（b）不等式判别（包含>=,<=,<,>）
两个分类变量的不等式判别需要满足两个条件：① 分类完全相同 ② 排序完全相同