>>> from env_helper import info; info()
待更新
7.3. Pandas分类数据¶
通常实时的数据包括重复的文本列。例如:性别,国家和代码等特征总是重复的。这些是分类数据的例子。
分类变量只能采用有限的数量,而且通常是固定的数量。除了固定长度,分类数据可能有顺序,但不能执行数字操作。 分类是Pandas数据类型。
分类数据类型在以下情况下非常有用 -
一个字符串变量,只包含几个不同的值。将这样的字符串变量转换为分类变量将会节省一些内存。
变量的词汇顺序与逻辑顺序("one","two","three")不同。 通过转换为分类并指定类别上的顺序,排序和最小/最大将使用逻辑顺序,而不是词法顺序。
作为其他python库的一个信号,这个列应该被当作一个分类变量(例如,使用合适的统计方法或plot类型)。
对象创建
分类对象可以通过多种方式创建。下面介绍了不同的方法 -
类别/分类
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)
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。观察相同的输出类别。
pd.Categorical
使用标准Pandas分类构造函数,我们可以创建一个类别对象。语法如下 -
pandas.Categorical(values, categories, ordered)
举个例子 -
>>> import pandas as pd
>>> cat = pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c'])
>>> print (cat)
[a, b, c, a, b, c]
Categories (3, object): [a, b, c]
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)
[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,在类别中不存在的任何值将被视为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)
[a, b, c, a, b, c, NaN]
Categories (3, object): [c < b < a]
从逻辑上讲,排序(ordered)意味着,a大于b,b大于c。
描述
使用分类数据上的.describe()命令,可以得到与类型字符串的Series或DataFrame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 ("=============================")
>>> print (df["cat"].describe())
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)
Index(['b', 'a', '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)
False
该函数返回结果为:False,因为这里没有指定任何顺序。
重命名类别¶
重命名类别是通过将新值分配给series.cat.categories属性来完成的。参考以下示例代码 -
>>> 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)
Index(['Group a', 'Group b', 'Group c'], dtype='object')
初始类别[a,b,c]由对象的s.cat.categories属性更新。
附加新类别 使用Categorical.add.categories()方法,可以追加新的类别。
>>> import pandas as pd
>>>
>>> s = pd.Series(["a","b","c","a"], dtype="category")
>>> s = s.cat.add_categories([4])
>>> print (s.cat.categories)
Index(['a', 'b', '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("=====================================")
>>> print ("After removal:")
>>> print (s.cat.remove_categories("a"))
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¶
在三种情况下可以将分类数据与其他对象进行比较 -
将等号(==和!=)与类别数据相同长度的类似列表的对象(列表,系列,数组…)进行比较。
当ordered==True和类别是相同时,所有比较(==,!=,>,>=,<,和<=)分类数据到另一个分类系列。
将分类数据与标量进行比较。
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)
0 False
1 False
2 True
dtype: bool