Python Pandas - 分类数据
通常是实时的，数据包括重复的文本列。 性别、国家和代码等特征总是重复的。 这些是分类数据的示例。
分类变量只能采用有限且通常固定数量的可能值。 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将节省一些内存。
变量的词法顺序与逻辑顺序不同（"one", "two", "three"）。 通过转换为分类并指定分类的顺序，排序和最小/最大将使用逻辑顺序而不是词法顺序。
作为向其他 python 库的信号，应将此列视为分类变量（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法 −
category
通过在 pandas 对象创建中将 dtype 指定为"category"。
import pandas as pd s = pd.Series(["a","b","c","a"], dtype="category") print s
它的输出如下 −
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是四个，但类别只有三个。 在输出类别中观察相同。
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)
举个例子 −
import pandas as pd cat = pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c']) print cat
它的输出如下 −
[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
它的输出如下 −
[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。
Now, take a look at the following example −
import pandas as pd cat = cat=pd.Categorical(['a','b','c','a','b','c','d'], ['c', 'b', 'a'],ordered=True) print cat
它的输出如下 −
[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。
Description
对分类数据使用 .describe() 命令，我们得到与 的 Series 或 DataFrame 类似的输出 键入 字符串。
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()
它的输出如下 −
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 Category 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
它的输出如下 −
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
它的输出如下 −
False
函数返回false，因为我们没有指定任何顺序。
重命名类别
通过为 series.cat.categoriesseries.cat.categories 属性分配新值来重命名类别。
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
它的输出如下 −
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。
添加新类别
使用 Categorical.add.categories() 方法，可以添加新类别。
import pandas as pd s = pd.Series(["a","b","c","a"], dtype="category") s = s.cat.add_categories([4]) print s.cat.categories
它的输出如下 −
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")
它的输出如下 −
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。
分类数据与另一个分类系列的所有比较 (==, !=, >, >=, <, and <=)，当ordered==True 并且类别相同时。
分类数据与标量的所有比较。
看看下面的例子 −
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
它的输出如下 −
0 False 1 False 2 True dtype: bool
