熊猫:将类别转换为数字

Question

假设我有一个数据框,其国家/地区如下:

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

我知道有一个pd.get_dummies函数可以将这些国家/地区转换为"单热编码".但是,我希望将它们转换为索引,以便我得到它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]

使用'因子'在R中这样做有点容易,所以我希望大熊猫有类似的东西.

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,但是分类存储.要捕获类别代码:

df['code'] = df.cc.cat.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,只需获取代码:

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

如果您只希望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pd.Categorical不会按字母顺序排序.所以第一个国家将被分配0.如果您想从头开始1,可以添加常量:

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

如果您希望按字母顺序排序,请指定sort=True:

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

Answer 3

一行代码：

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

如果您有list_of_columns：

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

此外，如果您想保留您的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 4

如果您使用的是sklearn库，则可以使用LabelEncoder。像一样pd.Categorical，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