熊猫：将类别转换为数字

假设我有一个包含以下国家/地区的数据框：

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“一次性编码”。但是，我希望将它们转换为索引，以便获取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]

这在R中使用“因素”更容易做到，所以我希望熊猫也有类似的东西。

首先，更改列的类型：

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

现在，数据看起来很相似，但是是按类别存储的。要捕获类别代码：

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

现在您有了：

   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，而只需获取代码：

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

或使用分类列作为索引：

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

如果只希望将序列转换为整数标识符，可以使用pd.factorize。

请注意，与相比pd.Categorical，此解决方案不会按字母顺序排序。因此，将分配第一个国家0。如果希望从开始1，可以添加一个常量：

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 

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

尝试此操作，将其转换为基于频率的数字（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)

将任何列更改为Numbers。它不会创建新列，而只是将数值替换为数值数据。

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

单行代码：

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，如果要保留您的NaN值，可以应用替换：

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