Pandas系列（五）-分類數據處理

內容目錄

• 1. 創建對象
• 2. 常用操作
• 3. 內存使用量的陷阱

一、創建對象

• 1.基本概念：分類數據直白來說就是取值為有限的，或者說是固定數量的可能值。例如：性別、血型。
• 2.創建分類數據：這里以血型為例，假定每個用戶有以下的血型，我們如何創建一個關於血型的分類對象呢？

方法一：明確指定 dtype="category"

index = pd.Index(data=["Tom", "Bob", "Mary", "James", "Andy", "Alice"], name="name")
user_info = pd.Series(data=["A", "AB", np.nan, "AB", "O", "B"], index=index, name="blood_type", dtype="category")
user_info
Out[6]: 
name
Tom        A
Bob       AB
Mary     NaN
James     AB
Andy       O
Alice      B
Name: blood_type, dtype: category
Categories (4, object): [A, AB, B, O]

方法二：使用 pd.Categorical 來構建分類數據。

pd.Categorical(["A", "AB", np.nan, "AB", "O", "B"])
Out[7]: 
[A, AB, NaN, AB, O, B]
Categories (4, object): [A, AB, B, O]

• 3.自己制定類別數據所有可能的取值。

假定我們認為血型只有 A、B 以及 AB 這三類，那么我們可以這樣操作。

#定制分類數據所有可能的取值
pd.Categorical(["A", "AB", np.nan, "AB", "O", "B"], categories=["A", "B", "AB"])
Out[8]: 
[A, AB, NaN, AB, NaN, B]
Categories (3, object): [A, B, AB]

• 4.Series轉為分類數據，astype

#將遺傳序列轉化為分類數據
user_info = pd.Series(data=["A", "AB", np.nan, "AB", "O", "B"], index=index, name="blood_type")
user_info = user_info.astype("category")
user_info
Out[9]: 
name
Tom        A
Bob       AB
Mary     NaN
James     AB
Andy       O
Alice      B
Name: blood_type, dtype: category
Categories (4, object): [A, AB, B, O]

• 5.此外，一些其他的方法返回的結果也是分類數據。如 cut 、 qcut。具體可以見 Pandas基本功能詳解中的離散化部分。

二、常用操作

可以對分類數據使用 .describe() 方法，它得到的結果與 string類型的數據相同。
count 表示非空的數據有5條，unique 表示去重后的非空數據有4條，top 表示出現次數最多的值為 AB，
freq 表示出現次數最多的值的次數為2次。
我們可以使用 .cat.categories 來獲取分類數據所有可能的取值。
重命名分類數據：cat.rename_categories
添加分類數據：.cat.add_categories
刪除分類數據：.cat.remove_categories
查看數據分布：.value_counts()
通過.str訪問
合並數據，用concat,類型變為object
保留分類數據類型,union_categoricals

user_info.describe()
Out[86]: 
count      5
unique     4
top       AB
freq       2
Name: blood_type, dtype: object
user_info.cat.rename_categories(["A+", "AB+", "B+", "O+"])
Out[87]: 
name
Tom       A+
Bob      AB+
Mary     NaN
James    AB+
Andy      O+
Alice     B+
Name: blood_type, dtype: category
Categories (4, object): [A+, AB+, B+, O+]
user_info.str.contains('A')
Out[88]: 
name
Tom       True
Bob       True
Mary       NaN
James     True
Andy     False
Alice    False
Name: blood_type, dtype: object
#合並數據
blood_type1 = pd.Categorical(["A", "AB"])
blood_type2 = pd.Categorical(["B", "O"])
pd.concat([pd.Series(blood_type1), pd.Series(blood_type2)])
Out[89]: 
0     A
1    AB
0     B
1     O
dtype: object
#保留分類數據
from pandas.api.types import union_categoricals
union_categoricals([blood_type1, blood_type2])
Out[90]: 
[A, AB, B, O]
Categories (4, object): [A, AB, B, O]

　cat所有屬性

[name for name in user_info.cat.__dir__() if not name.startswith('_')]
Out[92]: 
['add_categories',
 'as_ordered',
 'as_unordered',
 'categories',
 'codes',
 'ordered',
 'remove_categories',
 'remove_unused_categories',
 'rename_categories',
 'reorder_categories',
 'set_categories']

三、內存使用量的陷阱

Categorical 的內存使用量是與分類數乘以數據長度成正比，object 類型的數據是一個常數乘以數據的長度。

blood_type = pd.Series(["AB","O"]*1000)
blood_type.nbytes
Out[79]: 16000
blood_type.astype("category").nbytes
Out[80]: 2016
blood_type = pd.Series(['AB%4d' % i for i in range(2000)])
blood_type.nbytes
Out[81]: 16000
blood_type.astype("category").nbytes
Out[82]: 20000