一、分類數據的概念
1、什么是分類數據
分類數據（Category Data）是指Pandas數據類型為分類類型的數據
分類數據是由固定的且數量有限的變量組成，通常是字符串。例如：
-
- 性別：男、女
- 血型：A型、B型、C型
- 國家：中國、美國、德國
分類數據可以設置邏輯順序，如：高 > 中 > 低
>>> df = pd.read_excel('C:/Users/xhl/Desktop/input/class.xlsx')
>>> df
class sex score_math score_music
0 A male 95 79
1 A female 96 90
2 B female 85 85
3 C male 93 92
4 B female 84 90
5 B male 88 70
6 C male 59 89
7 A male 88 86
8 B male 89 74
>>> df.dtypes
class object
sex object
score_math int64
score_music int64
dtype: object
使用astype()將性別轉換成分類類型
>>> df['sex'].astype('category')
0 male
1 female
2 female
3 male
4 female
5 male
6 male
7 male
8 male
Name: sex, dtype: category
Categories (2, object): [female, male]
2、分類數據的values
分類數據的values值是一個pandas.Categorical對象，而不再是Numpy對象
#未分類時
>>> type(df['sex'].values)
<class 'numpy.ndarray'>
#分類后
>>> type(df['sex'].astype('category').values)
<class 'pandas.core.arrays.categorical.Categorical'>
3、分類數據的屬性
包括類別（categories）和編碼（codes）兩個屬性；
分類數據將一個類別映射到一個整數上，其內部數據結構有一個類別數組和一個整數數組構成
>>> sex_cate = df['sex'].astype('category')
>>> sex_cate.values
[male, female, female, male, female, male, male, male, male]
Categories (2, object): [female, male]
#查看類別
>>> sex_cate.values.categories
Index(['female', 'male'], dtype='object')
查看編碼
>>> sex_cate.values.codes
array([1, 0, 0, 1, 0, 1, 1, 1, 1], dtype=int8)
4、使用分類數據的好處
分類數據通過將類別進行數字編碼，可以大大節省內存的占用，提高運行速度，可使用memory_usage()檢驗
5、為何使用分類數據？
分類數據可以指定邏輯順序，並能夠進行邏輯順序上的排序和篩選最大/最小值的操作
使用Series.cat.as_ordered()可設置邏輯順序，但並沒有什么實際含義，並不怎么常用
>>> df['class'].astype('category').cat.as_ordered()
0 A
1 A
2 B
3 C
4 B
5 B
6 C
7 A
8 B
Name: class, dtype: category
Categories (3, object): [A < B < C]
使用Series.cat.set_categories()自定義邏輯順序，有實際含義
>>> df['class'].astype('category').cat.set_categories(["C","B","A"])
0 A
1 A
2 B
3 C
4 B
5 B
6 C
7 A
8 B
Name: class, dtype: category
Categories (3, object): [C, B, A]
分類數據的排序仍然使用sort_values()
>>> df['class'].astype('category').cat.set_categories(['C','B','A']).sort_values()
3 C
6 C
2 B
4 B
5 B
8 B
0 A
1 A
7 A
Name: class, dtype: category
Categories (3, object): [C, B, A]
篩選最大值與最小值
>>> df['class'].astype('category').cat.as_ordered().min()
'A'
>>> df['class'].astype('category').cat.as_ordered().max()
'C'
二、分類數據的創建
1、通過參數dtype創建分類數據
創建Series或DataFrame時，可指定參數dtype = ‘category’創建Series或DataFrame
#創建Series
>>> s = pd.Series(['female','male','male'],dtype='category')
>>> s
0 female
1 male
2 male
dtype: category
Categories (2, object): [female, male]
#創建DataFrame
>>> df = pd.DataFrame({'sex':['female','male','male'],'grade':list('BAB')},dtype='category')
>>> df
sex grade
0 female B
1 male A
2 male B
>>> df.dtypes
sex category
grade category
dtype: object
2、通過pd.Categorical對象創建分類數據
創建一個pd.Categorical對象，並將其傳入Series或者DataFrame，即可創建分類數據
>>> c = pd.Categorical(['C','A','B'])
>>> c
[C, A, B]
Categories (3, object): [A, B, C]
>>> c_df = pd.Categorical({'sex':['female','male','male'],'grade':list('BAB')})
>>> c_df
[sex, grade]
Categories (2, object): [grade, sex]
>>> df = pd.DataFrame({'sex':['female','male','male']})
>>> df['grade'] = c
>>> df
sex grade
0 female C
1 male A
2 male B
>>> df.dtypes
sex object
grade category
dtype: object
在創建pd.Categorical對象時，可以通過參數categoeies指定類別，沒被指定的數據則會顯示為缺失值
>>> c = pd.Categorical(['C','A','B','A'],categories=['A','B']) >>> s = pd.Series(c) >>> s 0 NaN 1 A 2 B 3 A dtype: category Categories (2, object): [A, B]
3、通過pd.Categorical.from_codes創建分類數據
當已知類別編碼時，可通過pd.Categorical.from_codes創建分類數據;
>>> categories = ['female','male'] >>> codes = [1,1,1,0,0,1,0] >>> c = pd.Categorical.from_codes(codes,categories) >>> c [male, male, male, female, female, male, female] Categories (2, object): [female, male] >>> categories = ['female','male','unkonw'] >>> codes = [1,2,0,0,1,0] >>> c = pd.Categorical.from_codes(codes,categories) >>> c [male, unkonw, female, female, male, female] Categories (3, object): [female, male, unkonw]
注意：此時的categories = ['female','male','unkonw']的對應的codes值分別為0,1,2....。
4、通過cut()/qcut()創建分類數據---分類數值型數據
使用cut()/qcut()進行離散化會自動轉為分類類型。
>>> math = pd.cut(df['score_math'],[0,60,80,100],right=False) >>> math[:3] 0 [80, 100) 1 [80, 100) 2 [80, 100) Name: score_math, dtype: category Categories (3, interval[int64]): [[0, 60) < [60, 80) < [80, 100)] #使用參數lables修改類別名稱 >>> math = pd.cut(df['score_math'],[0,60,80,100],right=False,labels=['C','B','A']) >>> math[:3] 0 A 1 A 2 A Name: score_math, dtype: category Categories (3, object): [C < B < A]
結合groupby()查看分類數據，例：修改后的成績等級無法看到分數區間的范圍，可結合groupby查看各最大值、最小值等：
>>> df['score_math'].groupby(math).agg(['count','max','min'
count max min
score_math
C 1 59.0 59.0
B 0 NaN NaN
A 8 96.0 84.0
三、分類數據的常用操作方法
1、分類數據的特殊屬性Series.cat
包含分類數據的Series有很多操作方法，可通過特殊屬性Series.cat訪問；
通過Series.cat查看其類別categories和編碼codes.
>>> s = pd.Series(pd.Categorical(['C','A','B','C'])) >>> s 0 C 1 A 2 B 3 C dtype: category Categories (3, object): [A, B, C] >>> s.cat.categories Index(['A', 'B', 'C'], dtype='object') >>> s.cat.codes 0 2 1 0 2 1 3 2 dtype: int8
2、分類數據的常用操作方法
| 方法 | 說明 |
| rename_categories | 更改類別名稱 |
| add_categories | 添加新類別 |
| remove_categories | 刪除類別 |
| remove_unused_categories | 刪除數據中沒有出現的類別 |
| set_categories | 替換、增加和刪除類別 |
| as_ordered | 分類數據設置有邏輯順序 |
| as_unordered | 分類數據設置無邏輯順序 |
| reorder_categories | 重排分類數數據的順序 |
（1）更改類別名稱-----可通過傳入字典的方式進行更改
>>> s1 = s.cat.rename_categories({'A':'grade A','B':'grade B','C':'grade C'})
>>> s1
0 grade C
1 grade A
2 grade B
3 grade C
dtype: category
Categories (3, object): [grade A, grade B, grade C]
（2）添加新類別
>>> s2 = s.cat.add_categories('D')
>>> s2
0 C
1 A
2 B
3 C
dtype: category
Categories (4, object): [A, B, C, D]
（3）刪除類別
注意：被刪除的類別在數據集中顯示值為空值
>>> s3 = s2.cat.remove_categories('D')
>>> s3
0 C
1 A
2 B
3 C
dtype: category
Categories (3, object): [A, B, C]
>>> s4 = s2.cat.remove_categories('A')
>>> s4
0 C
1 NaN
2 B
3 C
dtype: category
Categories (3, object): [B, C, D]
（4）刪除數據中沒有出現的類別，remove_categories只能刪除某一特定的類別，並不能確定哪些類別並未使用過
>>> s2 0 C 1 A 2 B 3 C dtype: category Categories (4, object): [A, B, C, D] >>> s5 = s2.cat.remove_unused_categories() >>> s5 0 C 1 A 2 B 3 C dtype: category Categories (3, object): [A, B, C]
（5）同時添加或刪除類別，使用set_categories，只需將需要的類別直接set即可
>>> s6 = s2.cat.set_categories(['B','C','E']) >>> s6 0 C 1 NaN 2 B 3 C dtype: category Categories (3, object): [B, C, E]
（6）設置邏輯順序
分類數據的邏輯順序可以通過as_ordered進行設置，也可以通過as_unordered設置為無邏輯順序
>>> s_ordered = s2.cat.as_ordered() >>> s_ordered 0 C 1 A 2 B 3 C dtype: category Categories (4, object): [A < B < C < D] >>> s_unordered = s_ordered.cat.as_unordered() >>> s_unordered 0 C 1 A 2 B 3 C dtype: category Categories (4, object): [A, B, C, D]
在設置分類數據時，也可通過設置參數ordered = True設置邏輯順序
>>> s_ordered_new = s2.cat.set_categories(['C','B','A'],ordered=True) >>> s_ordered_new 0 C 1 A 2 B 3 C dtype: category Categories (3, object): [C < B < A]
（7）重排邏輯順序
方法一：前面已介紹，可通過set_categories自定義邏輯順序
方法二：通過reorde_categories方法重排邏輯順序
>>> s_or = s.cat.reorder_categories(['B','C','A'],ordered=True) >>> s_or 0 C 1 A 2 B 3 C dtype: category Categories (3, object): [B < C < A]
注意：使用reorder_categories方法不能添加或刪除類別，否則會報錯
>>>s.cat.reorder_categories(['B','C','A','D'],ordered=True) ValueError: items in new_categories are not the same as in old categories