Python Pandas - 分类数据


通常,实时数据包括重复的文本列。性别、国家/地区和代码等特征总是重复的。这些是分类数据的示例。

分类变量只能呈现有限且通常是固定数量的可能值。除了固定长度外,分类数据可能有顺序,但不能进行数值运算。分类是 Pandas 数据类型。

分类数据类型在以下情况下很有用 -

  • 仅包含几个不同值的字符串变量。将此类字符串变量转换为分类变量将节省一些内存。

  • 变量的词汇顺序与逻辑顺序(“一”、“二”、“三”)不同。通过转换为分类并指定类别的顺序,排序和最小/最大将使用逻辑顺序而不是词汇顺序。

  • 作为向其他 python 库发出的信号,该列应被视为分类变量(例如,使用合适的统计方法或绘图类型)。

对象创建

可以通过多种方式创建分类对象。下面描述了不同的方式 -

类别

通过在 pandas 对象创建中将 dtype 指定为“类别”。

import pandas as pd

s = pd.Series(["a","b","c","a"], dtype="category")
print s

输出如下 -

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

传递给系列对象的元素数量为四个,但类别只有三个。在输出类别中观察相同的情况。

pd.分类

使用标准的 pandas Categorical 构造函数,我们可以创建一个类别对象。

pandas.Categorical(values, categories, ordered)

让我们举个例子 -

import pandas as pd

cat = pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c'])
print cat

输出如下 -

[a, b, c, a, b, c]
Categories (3, object): [a, b, c]

让我们再举一个例子 -

import pandas as pd

cat = cat=pd.Categorical(['a','b','c','a','b','c','d'], ['c', 'b', 'a'])
print cat

输出如下 -

[a, b, c, a, b, c, NaN]
Categories (3, object): [c, b, a]

在这里,第二个参数表示类别。因此,类别中不存在的任何值都将被视为NaN

现在,看看下面的例子 -

import pandas as pd

cat = cat=pd.Categorical(['a','b','c','a','b','c','d'], ['c', 'b', 'a'],ordered=True)
print cat

输出如下 -

[a, b, c, a, b, c, NaN]
Categories (3, object): [c < b < a]

从逻辑上讲,顺序意味着a大于b并且b大于c

描述

对分类数据使用.describe()命令,我们得到与字符串类型SeriesDataFrame类似的输出。

import pandas as pd
import numpy as np

cat = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
df = pd.DataFrame({"cat":cat, "s":["a", "c", "c", np.nan]})

print df.describe()
print df["cat"].describe()

输出如下 -

       cat s
count    3 3
unique   2 2
top      c c
freq     2 2
count     3
unique    2
top       c
freq      2
Name: cat, dtype: object

获取类别的属性

obj.cat.categories命令用于获取对象的类别

import pandas as pd
import numpy as np

s = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
print s.categories

输出如下 -

Index([u'b', u'a', u'c'], dtype='object')

obj.ordered命令用于获取对象的顺序。

import pandas as pd
import numpy as np

cat = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
print cat.ordered

输出如下 -

False

该函数返回false,因为我们没有指定任何顺序。

重命名类别

重命名类别是通过为series.cat.categories series.cat.categories 属性分配新值来完成的。

import pandas as pd

s = pd.Series(["a","b","c","a"], dtype="category")
s.cat.categories = ["Group %s" % g for g in s.cat.categories]
print s.cat.categories

输出如下 -

Index([u'Group a', u'Group b', u'Group c'], dtype='object')

初始类别[a,b,c]由对象的s.cat.categories属性更新。

追加新类别

使用 Categorical.add.categories() 方法,可以附加新类别。

import pandas as pd

s = pd.Series(["a","b","c","a"], dtype="category")
s = s.cat.add_categories([4])
print s.cat.categories

输出如下 -

Index([u'a', u'b', u'c', 4], dtype='object')

删除类别

使用Categorical.remove_categories()方法,可以删除不需要的类别。

import pandas as pd

s = pd.Series(["a","b","c","a"], dtype="category")
print ("Original object:")
print s

print ("After removal:")
print s.cat.remove_categories("a")

输出如下 -

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

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

分类数据比较

在三种情况下可以将分类数据与其他对象进行比较 -

  • 将相等性(== 和 !=)与与分类数据长度相同的类似列表的对象(列表、系列、数组...)进行比较。

  • 当 order==True 且类别相同时,分类数据与另一个分类系列的所有比较(==、!=、>、>=、< 和 <=)。

  • 分类数据与标量的所有比较。

看一下下面的例子 -

import pandas as pd

cat = pd.Series([1,2,3]).astype("category", categories=[1,2,3], ordered=True)
cat1 = pd.Series([2,2,2]).astype("category", categories=[1,2,3], ordered=True)

print cat>cat1

输出如下 -

0  False
1  False
2  True
dtype: bool