Pandas分類數據

通常實時的數據包括重複的文本列。例如:性別,國家和代碼等特徵總是重複的。這些是分類數據的例子。

分類變量只能採用有限的數量,而且通常是固定的數量。除了固定長度,分類數據可能有順序,但不能執行數字操作。 分類是Pandas數據類型。

分類數據類型在以下情況下非常有用 -

  • 一個字符串變量,只包含幾個不同的值。將這樣的字符串變量轉換爲分類變量將會節省一些內存。
  • 變量的詞彙順序與邏輯順序("one""two""three")不同。 通過轉換爲分類並指定類別上的順序,排序和最小/最大將使用邏輯順序,而不是詞法順序。
  • 作爲其他python庫的一個信號,這個列應該被當作一個分類變量(例如,使用合適的統計方法或plot類型)。

對象創建

分類對象可以通過多種方式創建。下面介紹了不同的方法 -

類別/分類

通過在pandas對象創建中將dtype指定爲「category」

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

執行上面示例代碼,得到以下結果 -

0    a
1    b
2    c
3    a
dtype: category
Categories (3, object): [a, b, c]

傳遞給系列對象的元素數量是四個,但類別只有三個。觀察相同的輸出類別。

pd.Categorical

使用標準Pandas分類構造函數,我們可以創建一個類別對象。語法如下 -

pandas.Categorical(values, categories, ordered)

舉個例子 -

import pandas as pd
cat = pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c'])
print (cat)

執行上面示例代碼,得到以下結果 -

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

再舉一個例子 -

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

執行上面示例代碼,得到以下結果 -

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

這裏,第二個參數表示類別。因此,在類別中不存在的任何值將被視爲NaN

現在,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)

執行上面示例代碼,得到以結果 -

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

從邏輯上講,排序(ordered)意味着,a大於bb大於c

描述

使用分類數據上的.describe()命令,可以得到與類型字符串的Series或DataFrame類似的輸出。

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())

執行上面示例代碼,得到以下結果 -

       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

獲取類別的屬性

obj.cat.categories命令用於獲取對象的類別。

import pandas as pd
import numpy as np

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

執行上面示例代碼,得到以下結果 -

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

obj.ordered命令用於獲取對象的順序。

import pandas as pd
import numpy as np

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

執行上面示例代碼,得到以下結果 -

False

該函數返回結果爲:False,因爲這裏沒有指定任何順序。

重命名類別

重命名類別是通過將新值分配給series.cat.categories屬性來完成的。參考以下示例代碼 -

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)

執行上面示例代碼,得到以下結果 -

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

初始類別[a,b,c]由對象的s.cat.categories屬性更新。

附加新類別
使用Categorical.add.categories()方法,可以追加新的類別。

import pandas as pd

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

執行上面示例代碼,得到以下結果 -

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

刪除類別
使用Categorical.remove_categories()方法,可以刪除不需要的類別。

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"))

執行上面示例代碼,得到以下結果 -

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]

分類數據的比較

在三種情況下可以將分類數據與其他對象進行比較 -

  • 將等號(==!=)與類別數據相同長度的類似列表的對象(列表,系列,數組…)進行比較。
  • ordered==True和類別是相同時,所有比較(==!=>>=<,和<=)分類數據到另一個分類系列。
  • 將分類數據與標量進行比較。

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)

執行上面示例代碼,得到以下結果 -

0    False
1    False
2     True
dtype: bool