📅 最后修改于: 2020-11-06 05:50:25 🧑 作者: Mango
数据通常实时包含重复的文本列。性别，国家/地区和代码等功能始终是重复的。这些是分类数据的示例。
分类变量只能采用有限的且通常是固定数量的可能值。除固定长度外，分类数据可能还具有顺序，但不能执行数字运算。分类是Pandas数据类型。
类别数据类型在以下情况下很有用-
一个仅包含几个不同值的字符串变量。将这样的字符串变量转换为分类变量将节省一些内存。
变量的词汇顺序与逻辑顺序(“一个”，“两个”，“三个”)不同。通过转换为类别并在类别上指定顺序，排序和最小/最大将使用逻辑顺序而不是词汇顺序。
作为其他Python库的信号，此列应视为分类变量(例如，使用适当的统计方法或绘图类型)。
分类对象可以通过多种方式创建。下面描述了不同的方式-
通过在熊猫对象创建中将dtype指定为“类别”。
import pandas as pd
s = pd.Series(["a","b","c","a"], dtype="category")
print s
其输出如下-
0 a
1 b
2 c
3 a
dtype: category
Categories (3, object): [a, b, c]
传递给series对象的元素数为4，但是类别仅为3。在输出类别中观察相同。
使用标准的Pandas Categorical构造函数，我们可以创建一个category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
其输出如下-
[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 。
现在，看看以下示例-
import pandas as pd
cat = cat=pd.Categorical(['a','b','c','a','b','c','d'], ['c', 'b', 'a'],ordered=True)
print cat
其输出如下-
[a, b, c, a, b, c, NaN]
Categories (3, object): [c < b < a]
从逻辑上讲，该顺序意味着a大于b且b大于c 。
在分类数据上使用.describe()命令，我们得到与字符串类型的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 df["cat"].describe()
其输出如下-
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
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
其输出如下-
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
其输出如下-
False
该函数返回false，因为我们未指定任何顺序。
重命名类别是通过为series.cat.categories series.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。
使用Categorical.add.categories()方法，可以追加新类别。
import pandas as pd
s = pd.Series(["a","b","c","a"], dtype="category")
s = s.cat.add_categories([4])
print s.cat.categories
其输出如下-
Index([u'a', u'b', u'c', 4], dtype='object')
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")
其输出如下-
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]
在三种情况下可以将类别数据与其他对象进行比较-
将等于(==和！=)与长度与分类数据相同的类似列表的对象(列表，序列，数组，…)进行比较。
当有序== True并且类别相同时，将类别数据与另一个类别系列的所有比较(==，！=，>，> =，<和<=)。
分类数据与标量的所有比较。
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
其输出如下-
0 False
1 False
2 True
dtype: bool