Pandas：将类别转换为数字

Question

假设我有一个包含国家/地区的数据框，如下所示：

cc | temp
US | 37.0
CA | 12.0
US | 35.0
AU | 20.0

我知道有一个 pd.get_dummies 函数可以将国家/地区转换为“one-hot 编码”。但是，我希望将它们转换为索引，这样我就会得到

cc_index = [1,2,1,3]

。

我假设有一种比使用 get_dummies 和 numpy where 子句更快的方法，如下所示：

[np.where(x) for x in df.cc.get_dummies().values]

在 R 中使用“因子”更容易做到这一点，所以我希望 pandas 也有类似的东西。

Answer 1

首先，更改列的类型：

df.cc = pd.Categorical(df.cc)

现在数据看起来很相似，但是是分类存储的。要捕获类别代码：

df['code'] = df.cc.codes

现在你有：

   cc  temp  code
0  US  37.0     2
1  CA  12.0     1
2  US  35.0     2
3  AU  20.0     0

如果您不想修改 DataFrame 而只是获取代码：

df.cc.astype('category').codes

或者使用分类列作为索引：

df2 = pd.DataFrame(df.temp)
df2.index = pd.CategoricalIndex(df.cc)

Answer 2

如果您只想将系列转换为整数标识符，则可以使用

pd.factorize

。

请注意，此解决方案与

pd.Categorical

不同，不会按字母顺序排序。因此第一个国家将被指定为

0

。如果你想从

1

开始，你可以添加一个常数：

df['code'] = pd.factorize(df['cc'])[0] + 1

print(df)

   cc  temp  code
0  US  37.0     1
1  CA  12.0     2
2  US  35.0     1
3  AU  20.0     3

如果您想按字母顺序排序，请指定

sort=True

:

df['code'] = pd.factorize(df['cc'], sort=True)[0] + 1 

Answer 3

如果您正在使用

sklearn

库，则可以使用

LabelEncoder

。与

pd.Categorical

一样，输入字符串在编码之前按字母顺序排序。

from sklearn.preprocessing import LabelEncoder

LE = LabelEncoder()
df['code'] = LE.fit_transform(df['cc'])

print(df)

   cc  temp  code
0  US  37.0     2
1  CA  12.0     1
2  US  35.0     2
3  AU  20.0     0

Answer 4

一行代码：

df[['cc']] = df[['cc']].apply(lambda col:pd.Categorical(col).codes)

如果您有

list_of_columns

，这也适用：

df[list_of_columns] = df[list_of_columns].apply(lambda col:pd.Categorical(col).codes)

此外，如果您想保留

NaN

值，您可以应用替换：

df[['cc']] = df[['cc']].apply(lambda col:pd.Categorical(col).codes).replace(-1,np.nan)

Answer 5

试试这个，根据频率转换为数字（高频 - 高数字）：

labels = df[col].value_counts(ascending=True).index.tolist()
codes = range(1,len(labels)+1)
df[col].replace(labels,codes,inplace=True)

Answer 6

将任何列更改为数字。它不会创建新列，而只是用数字数据替换值。

def characters_to_numb(*args):
    for arg in args:
        df[arg] = pd.Categorical(df[arg])
        df[arg] = df[arg].cat.codes
    return df