设置分类变量

在 Python 中处理分类数据

Kasey Jones

Research Data Scientist

新数据集：可领养的狗

dogs.info()

RangeIndex: 2937 entries, 0 to 2936, Data columns (total 19 columns):
 #   Column             Non-Null Count  Dtype  
 --  ------             --------------  -----  
 0   ID                 2937 non-null   int64  
 ...
 8   color              2937 non-null   object 
 9   coat               2937 non-null   object 
 ...
 17  get_along_cats     431 non-null    object 
 18  keep_in            1916 non-null   object 
dtypes: float64(1), int64(1), object(17)
memory usage: 436.1+ KB
...

¹ https://www.kaggle.com/jmolitoris/adoptable-dogs

狗的被毛

dogs["coat"] = dogs["coat"].astype("category")
dogs["coat"].value_counts(dropna=False)

short         1972
medium         565
wirehaired     220
long           180
Name: coat, dtype: int64

.cat 访问器

Series.cat.method_name

常用参数：

new_categories：类别列表
inplace：布尔值——是否就地覆盖 Series
ordered：布尔值——是否按有序分类处理

设置 Series 的类别

设置类别：

dogs["coat"] = dogs["coat"].cat.set_categories(
  new_categories=["short", "medium", "long"]
)

查看计数：

dogs["coat"].value_counts(dropna=False)

short     1972
medium     565
NaN        220
long       180

设置顺序

dogs["coat"] = dogs["coat"].cat.set_categories(
  new_categories=["short", "medium", "long"],
  ordered=True
)
dogs["coat"].head(3)

0     short
1     short
2     short
Name: coat, dtype: category
Categories (3, object): ['short' < 'medium' < 'long']

缺失的类别

dogs["likes_people"].value_counts(dropna=False)

yes    1991
NaN     938
no        8

NaN 可能表示：

真正未知（未检查）
不确定（只喜欢"部分"人）

添加类别

dogs["likes_people"] = dogs["likes_people"].astype("category")
dogs["likes_people"] = dogs["likes_people"].cat.add_categories(
  new_categories=["did not check", "could not tell"]
)

检查类别：

dogs["likes_people"].cat.categories

Index(['no', 'yes', 'did not check', 'could not tell'], dtype='object')

新类别

dogs["likes_people"].value_counts(dropna=False)

yes               1991
NaN                938
no                   8
could not tell       0
did not check        0

移除类别

dogs["coat"] = dogs["coat"].astype("category")
dogs["coat"] = dogs["coat"].cat.remove_categories(removals=["wirehaired"])

检查类别：

dogs["coat"].cat.categories

Index(['long', 'medium', 'short'], dtype='object')

方法回顾

设置：cat.set_categories()
- 可用于设置类别顺序
- 未在该方法中指定的值将被丢弃
添加：cat.add_categories()
- 不会更改 DataFrame 中任何数据的值
- 未在该方法中列出的类别保持不变
移除：cat.remove_categories()
- 与列出类别匹配的值将设为 NaN

练习：更新类别

在 Python 中处理分类数据