Python Pandas 分类数据

通常情况下，实时数据包括文本列，这些文本列是重复性的。像性别、国家和代码这样的特征总是重复的。这些是分类数据的例子。

分类变量只能采取有限的，通常是固定数量的可能值。除了固定的长度，分类数据可能有一个顺序，但不能进行数字运算。分类是Pandas的一种数据类型。

分类数据类型在以下情况下是有用的

一个只由几个不同值组成的字符串变量。将这样的字符串变量转换为分类变量可以节省一些内存。
变量的词法顺序与逻辑顺序不一样（”一”、”二”、”三”）。通过转换为分类变量并指定分类的顺序，排序和最小/最大将使用逻辑顺序而不是词法顺序。
作为对其他python库的信号，此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

分类对象可以通过多种方式创建。不同的方式描述如下

类别

通过在创建pandas对象时指定dtype为 “类别”。

import pandas as pd

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

其 输出结果 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是四个，但类别只有三个。在输出的Categories中观察到同样的情况。

pd.Categorical

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

其 输出结果 如下 –

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

让我们再看一个例子 –

import pandas as pd

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

其 输出结果 如下 –

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

这里，第二个参数表示类别。因此，任何不存在于类别中的值都将被视为 NaN。

现在，看一下下面的例子

import pandas as pd

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

其 输出结果 如下 –

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

从逻辑上讲，这个顺序意味着， a 大于 b ， b 大于 c。

说明

在分类数据上使用 .describe() 命令，我们可以得到类似于字符串类型的系列或 数据框架 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()

其 输出结果 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 命令是用来获取 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

其 输出结果 如下 –

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

obj.ordered 命令是用来获取对象的顺序。

import pandas as pd
import numpy as np

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

其 输出结果 如下 –

False

该函数返回错误，因为我们没有指定任何顺序。

重命名类别

重命名类别是通过给 series.cat.categories系列.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

其 输出结果 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。

添加新类别

使用Categorical.add.categories()方法，可以添加新的类别。

import pandas as pd

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

其 输出结果 如下 –

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

删除类别

使用 Categorical.remove_categories() 方法，不需要的类别可以被删除。

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")

其 输出结果 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]

分类数据的比较

在以下三种情况下，可以将分类数据与其他对象进行比较

与分类数据相同长度的列表类对象（列表、系列、数组…）进行平等比较（==和！=）。
所有分类数据与另一个分类系列的比较（==, !=, >, >=, <, <=），当ordered==True且类别相同时。
一个分类数据与一个标量的所有比较。

请看下面的例子 –

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