Pandas 将分类数据转换为数字

在本文中，我们将介绍如何使用Pandas将特征编码为数字。这种转换经常用于机器学习项目中，因为许多算法无法处理分类数据。解决这个问题的方法之一是将分类数据转换为数字。Pandas库提供了一些内置函数，可以轻松地将分类数据转换为数字。

数据集说明

在本文中，我们将使用一个完全由数字和分类特征组成的虚拟数据集。该数据集代表了一个超市的销售记录，包括客户编号，购买日期，购买产品和产品类别。

客户编号	购买日期	购买产品	产品类别
1	2022-01-01	牛奶	生鲜
1	2022-01-01	面包	杂货
2	2022-01-02	牛奶	生鲜
2	2022-01-02	面包	杂货
2	2022-01-02	糖果	零食

Pandas中的分类数据

在Pandas中，分类数据是一种特殊的数据类型。它们只占用固定数量的内存，而且转换为数字通常比字符串更有效。

Pandas中的分类数据可以使用pd.Categorical函数创建。例如，以下代码将创建一个名为categories的分类数据对象，其中包含三个值：“生鲜”，“杂货”和“零食”。

import pandas as pd

categories = pd.Categorical(['生鲜', '杂货', '零食'])

将分类数据转换为数字

接下来，我们将在数据集中使用分类数据，并将它们转换为数字。使用Pandas中的pd.factorize函数可以将分类数据转换为数字。该函数的返回值是两个数组，其中一个包含转换后的数字，另一个包含原始的分类数据。

以下代码将演示如何将数据集中的“产品类别”列转换为数字：

import pandas as pd

data = pd.read_csv('sales.csv') # 读取数据集

# 建立新的“产品类别”列，为其分配一个category类型
data['产品类别'] = pd.Categorical(data['产品类别'])

# factorize()函数，将“产品类别”列转换为数字
data['产品类别编号'] = data['产品类别'].cat.codes

运行上述代码后，数据集将包含一个名为“产品类别编号”的新列，其中包含数字版本的“Product Category”值。

客户编号	购买日期	购买产品	产品类别	产品类别编号
1	2022-01-01	牛奶	生鲜	0
1	2022-01-01	面包	杂货	1
2	2022-01-02	牛奶	生鲜	0
2	2022-01-02	面包	杂货	1
2	2022-01-02	糖果	零食	2

使用独热编码

在某些情况下，将分类数据转换为数字的方法可能会引入偏好或重要性的错误解释，因为数字之间的关系可能毫无意义。更好的方法是使用独热编码（One-Hot Encoding）。该方法将每个分类值转换为一个布尔值，表示此值是否出现，并使输出在分类之间更具有可比性。

可以使用Pandaspd.get_dummies函数来执行独热编码。以下代码将“产品类别”列转换为独热编码：

import pandas as pd

data = pd.read_csv('sales.csv') # 读取数据集

# get_dummies()函数，执行独热编码转换
dummies = pd.get_dummies(data['产品类别'], prefix='产品类别')

# 将新的独热编码数据添加到数据集中
data = pd.concat([data, dummies], axis=1)

运行该代码后，数据集将包含三个新列，每个列代表一个产品类别。如果某个记录中的“产品类别”是“生鲜”，则该记录的“产品类别_生鲜”列的值为1，否则为0。