一、category的创建及其性质
1. 分类变量的创建
category的创建有多种形式:Series、DataFrame指定类型、内置Categorical类型、cut函数。
print(pd.Series(["a", "b", "c", "a"], dtype="category"))
temp_df = pd.DataFrame({'A':pd.Series(["a", "b", "c", "a"], dtype="category"),'B':list('abcd')})
print(temp_df.dtypes)
cat = pd.Categorical(["a", "b", "c", "a"], categories=['a','b','c'])
print(pd.Series(cat))
print(pd.cut(np.random.randint(0,60,5), [0,10,30,60], right=False, labels=['0-10','10-30','30-60']))
'''
0 a
1 b
2 c
3 a
dtype: category
Categories (3, object): ['a', 'b', 'c']
A category
B object
dtype: object
0 a
1 b
2 c
3 a
dtype: category
Categories (3, object): ['a', 'b', 'c']
['30-60', '0-10', '10-30', '30-60', '10-30']
Categories (3, object): ['0-10' < '10-30' < '30-60']
'''
2. 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
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']))
print(s.describe())
'''
count 4
unique 3
top a
freq 2
dtype: object
'''
categories和ordered属性
查看分类类别和是否排序
print(s.cat.categories)
'''
Index(['a', 'b', 'c', 'd'], dtype='object')
'''
二、分类变量的排序
1. 序的建立
一般来说会将一个序列转为有序变量,可以利用as_ordered方法
s = pd.Series(["a", "d", "c", "a"]).astype('category').cat.as_ordered()
print(s)
'''
0 a
1 d
2 c
3 a
dtype: category
Categories (3, object): ['a' < 'c' < 'd']
'''
退化为无序变量,只需要使用as_unordered
print(s.cat.as_unordered())
'''
0 a
1 d
2 c
3 a
dtype: category
Categories (3, object): ['a', 'c', 'd']
'''
利用set_categories方法中的order参数
print(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']
'''
利用reorder_categories方法
s = pd.Series(["a", "d", "c", "a"]).astype('category')
print(s.cat.reorder_categories(['a','c','d'],ordered=True))
'''
0 a
1 d
2 c
3 a
dtype: category
Categories (3, object): ['a' < 'c' < 'd']
'''
问题与习题
【问题一】 如何使用union_categoricals方法?它的作用是什么?
使用union_categoricals需要保证两个categories必须是相同的dtype。作用是把两个union_categoricals连接在一起
【问题二】 利用concat方法将两个序列纵向拼接,它的结果一定是分类变量吗?什么情况下不是?
不一定,只有分类的数量和类别一样,才是分类变量
s = pd.Series(["a", "d", "c", "a"]).astype('category')
s1 = pd.Series(["a", "d", "c", "d"]).astype('category')
print(pd.concat([s, s1]))
'''
0 a
1 d
2 c
3 a
0 a
1 d
2 c
3 d
dtype: category
Categories (3, object): ['a', 'c', 'd']
'''
s = pd.Series(["a", "d", "c", "a"]).astype('category')
s1 = pd.Series(["a", "d", "c", "b"]).astype('category')
print(pd.concat([s, s1]))
'''
0 a
1 d
2 c
3 a
0 a
1 d
2 c
3 b
dtype: object
'''
【问题三】 当使用groupby方法或者value_counts方法时,分类变量的统计结果和普通变量有什么区别?
分类变量会转成对应的普通变量
【问题四】 下面的代码说明了Series创建分类变量的什么“缺陷”?如何避免?(提示:使用Series中的copy参数)
缺陷:修改series变量的时候,原分类跟着变了。
创建的时候设置参数copy=True,这样修改series的时候原分类就不会变了
cat = pd.Categorical([1, 2, 3, 10], categories=[1, 2, 3, 4, 10])
s = pd.Series(cat, name="cat", copy=True)