【pandas小技巧】--category类型补充

江湖秋水多

category类型在pandas基础系列中有一篇介绍数据类型的文章中已经介绍过。
category类型并不是python中的类型，是pandas特有的类型。
category类型的优势那篇文章已经介绍过，当时只是介绍了如何将某个列的数据转换成category类型，
以及转换之后给程序性能上带来的好处。
本篇将补充介绍深入使用category类型时，经常会遇到的两个问题。
一个是category类型中各个值的顺序调整；另一个是按照数值的范围转换为category类型。
1. catagory类型顺序

当我们把一个列的数据转换为category类型时，category类型中各个值的默认顺序是按照字母顺序排列的。
比如：

1. import pandas as pd
3. df = pd.DataFrame({
4.     "学号": [1, 2, 3, 4, 5, 6],
5.     "年级": ["初二", "初一", "初二",
6.            "初一", "初三", "初三"],
7. })
9. df["年级"] = df["年级"].astype('category')
10. df.sort_values("年级")

复制代码

我们发现，默认顺序 **初三 **排在 **初二 **之前，与实际情况不符。
所以，需要调整category类型的顺序。

1. import pandas as pd
3. df = pd.DataFrame({
4.     "学号": [1, 2, 3, 4, 5, 6],
5.     "年级": ["初二", "初一", "初二",
6.            "初一", "初三", "初三"],
7. })
9. g_type = pd.CategoricalDtype(
10.     categories=["初一", "初二", "初三"],
11.     ordered=True
12. )
14. df["年级"] = df["年级"].astype(g_type)
15. df.sort_values("年级")

复制代码

通过CategoricalDtype函数定义category类型，可以在定义时设置各个值的顺序。
2. 按范围转换catagory类型

有时候我们需要将一批的连续的数据按照不同的范围转换为category类型。
比如下面随机生成的100个介于1到80岁的年龄数据：

1. df = pd.DataFrame(
2.     np.random.randint(1, 80, (100, 1))
3. )
4. df.columns = ["年龄"]
5. df

复制代码

希望按照不同的年龄范围划分年龄段，而不是每个年龄都转换为category类型。
这时可以用cut函数来实现：

1. df["年龄段"] = pd.cut(df["年龄"],
2.                 bins=[0, 18, 25, 60, 80],
3.                 labels=["儿童", "青年",
4.                         "成人", "老人"]
5.                 )
6. df

复制代码

按照年龄段来划分不同的category，

• bins参数：设置每个category对应的范围
  
• labels参数：category的值，labels列表中值的顺序就是category的顺序
  

除了cut函数，还有个qcut函数，也可以按照数据范围来生成category类型。
它们的区别主要在于：

• cut函数：根据值的大小将数据分为bins。bins的数目可以是等距的，也可以是自定义的。
  
• qcut函数：根据值的频率将数据分为bins，每个bin中含有的数据个数相同或尽可能接近。bins的数量由程序自动确定。
  

因此，cut函数适合等距离离散化，而qcut函数适合非等距离离散化。
例如，我们有1000个数据点，想要把它们分为10组，
cut函数通常会将数据平均分为长度相同的10个组，
而qcut函数则会将这些数据分为包含大约100个数据点的10个组。

来源:https://www.cnblogs.com/wang_yb/p/17645158.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！