category的创建及其性质
分类变量的创建
（a）用Series创建
pd.Series([“a”, “b”, “c”, “a”], dtype=“category”)得出
0 a
1 b
2 c
3 a
dtype: category
Categories (3, object): [a, b, c]
（b）对DataFrame指定类型创建
temp_df = pd.DataFrame({‘A’:pd.Series([“a”, “b”, “c”, “a”], dtype=“category”),‘B’:list(‘abcd’)})
temp_df.dtypes
A category
B object
dtype: object
（c）利用内置Categorical类型创建
cat = pd.Categorical([“a”, “b”, “c”, “a”], categories=[‘a’,‘b’,‘c’])
pd.Series(cat)
0 a
1 b
2 c
3 a
dtype: category
Categories (3, object): [a, b, c]
（d）利用cut函数创建
默认使用区间类型为标签
pd.cut(np.random.randint(0,60,5), [0,10,30,60])
[(30, 60], (30, 60], (10, 30], (30, 60], (0, 10]]
Categories (3, interval[int64]): [(0, 10] < (10, 30] < (30, 60]]
可指定字符为标签
pd.cut(np.random.randint(0,60,5), [0,10,30,60], right=False, labels=[‘0-10’,‘10-30’,‘30-60’])
[10-30, 30-60, 30-60, 10-30, 30-60]
Categories (3, object): [0-10 < 10-30 < 30-60]
分类变量的结构
一个分类变量包括三个部分，元素值（values）、分类类别（categories）、是否有序（order）
从上面可以看出，使用cut函数创建的分类变量默认为有序分类变量
下面介绍如何获取或修改这些属性
（a）describe方法
该方法描述了一个分类序列的情况，包括非缺失值个数、元素值类别数（不是分类类别数）、最多次出现的元素及其频数
s = pd.Series(pd.Categorical([“a”, “b”, “c”, “a”,np.nan], categories=[‘a’,‘b’,‘c’,‘d’]))
s.describe()
count 4
unique 3
top a
freq 2
dtype: object
（b）categories和ordered属性
查看分类类别和是否排序
类别的修改
（a）利用set_categories修改
修改分类，但本身值不会变化
s = pd.Series(pd.Categorical([“a”, “b”, “c”, “a”,np.nan], categories=[‘a’,‘b’,‘c’,‘d’]))
s.cat.set_categories([‘new_a’,‘c’])
0 NaN
1 NaN
2 c
3 NaN
4 NaN
dtype: category
Categories (2, object): [new_a, c]
（b）利用rename_categories修改
需要注意的是该方法会把值和分类同时修改
s = pd.Series(pd.Categorical([“a”, “b”, “c”, “a”,np.nan], categories=[‘a’,‘b’,‘c’,‘d’]))
s.cat.rename_categories([‘new_%s’%i for i in s.cat.categories])
0 new_a
1 new_b
2 new_c
3 new_a
4 NaN
dtype: category
Categories (4, object): [new_a, new_b, new_c, new_d]
利用字典修改值
s.cat.rename_categories({‘a’:‘new_a’,‘b’:‘new_b’})
0 new_a
1 new_b
2 c
3 new_a
4 NaN
dtype: category
Categories (4, object): [new_a, new_b, c, d]
（c）利用add_categories添加
s = pd.Series(pd.Categorical([“a”, “b”, “c”, “a”,np.nan], categories=[‘a’,‘b’,‘c’,‘d’]))
s.cat.add_categories([‘e’])
0 a
1 b
2 c
3 a
4 NaN
dtype: category
Categories (5, object): [a, b, c, d, e]
d）利用remove_categories移除
s = pd.Series(pd.Categorical([“a”, “b”, “c”, “a”,np.nan], categories=[‘a’,‘b’,‘c’,‘d’]))
s.cat.remove_categories([‘d’])
0 a
1 b
2 c
3 a
4 NaN
dtype: category
Categories (3, object): [a, b, c]
（e）删除元素值未出现的分类类型
s = pd.Series(pd.Categorical([“a”, “b”, “c”, “a”,np.nan], categories=[‘a’,‘b’,‘c’,‘d’]))
s.cat.remove_unused_categories()
0 a
1 b
2 c
3 a
4 NaN
dtype: category
Categories (3, object): [a, b, c]
分类变量的排序
前面提到，分类数据类型被分为有序和无序，这非常好理解，例如分数区间的高低是有序变量，考试科目的类别一般看做无序变量
序的建立
（a）一般来说会将一个序列转为有序变量，可以利用as_ordered方法
退化为无序变量，只需要使用as_unordered
s = pd.Series([“a”, “d”, “c”, “a”]).astype(‘category’).cat.as_ordered()
s
0 a
1 d
2 c
3 a
dtype: category
Categories (3, object): [a < c < d]
s.cat.as_unordered()
0 a
1 d
2 c
3 a
dtype: category
Categories (3, object): [a, c, d]
b）利用set_categories方法中的order参数
pd.Series([“a”, “d”, “c”, “a”]).astype(‘category’).cat.set_categories([‘a’,‘c’,‘d’],ordered=True)
0 a
1 d
2 c
3 a
dtype: category
Categories (3, object): [a < c < d]
（c）利用reorder_categories方法
这个方法的特点在于，新设置的分类必须与原分类为同一集合
s = pd.Series([“a”, “d”, “c”, “a”]).astype(‘category’)
s.cat.reorder_categories([‘a’,‘c’,‘d’],ordered=True)
#s.cat.reorder_categories([‘a’,‘c’],ordered=True) #报错
#s.cat.reorder_categories([‘a’,‘c’,‘d’,‘e’],ordered=True) #报错
排序
先前在第1章介绍的值排序和索引排序都是适用的
s = pd.Series(np.random.choice([‘perfect’,‘good’,‘fair’,‘bad’,‘awful’],50)).astype(‘category’)
s.cat.set_categories([‘perfect’,‘good’,‘fair’,‘bad’,‘awful’][::-1],ordered=True).head()
0 good
1 fair
2 bad
3 perfect
4 perfect
dtype: category
Categories (5, object): [awful < bad < fair < good < perfect]
s.sort_values(ascending=False).head()
29 perfect
17 perfect
31 perfect
3 perfect
4 perfect
dtype: category
Categories (5, object): [awful, bad, fair, good, perfect]
df_sort = pd.DataFrame({‘cat’
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
