Панды: преобразование категорий в числа

Предположим, у меня есть фрейм данных со странами, который выглядит так:

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

Я знаю, что есть функция pd.get_dummies для преобразования стран в «горячие кодировки». Однако я хочу вместо этого преобразовать их в индексы, чтобы получить cc_index = [1,2,1,3]вместо них.

Я предполагаю, что есть более быстрый способ, чем использование get_dummies вместе с предложением numpy where, как показано ниже:

[np.where(x) for x in df.cc.get_dummies().values]

Это несколько проще сделать в R, используя «факторы», поэтому я надеюсь, что у панд есть что-то похожее.

Сначала измените тип столбца:

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

Теперь данные выглядят похоже, но хранятся категорично. Чтобы записать коды категорий:

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

Теперь у вас есть:

   cc  temp  code
0  US  37.0     2
1  CA  12.0     1
2  US  35.0     2
3  AU  20.0     0

Если вы не хотите изменять свой DataFrame, а просто получите коды:

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

Или используйте категориальный столбец в качестве индекса:

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

Если вы хотите только преобразовать свою серию в целочисленные идентификаторы, вы можете использовать pd.factorize .

Обратите внимание, что это решение, в отличие от него pd.Categorical, не будет сортировать по алфавиту. Таким образом, будет назначена первая страна 0. Если вы хотите начать с 1, вы можете добавить константу:

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

Если вы хотите отсортировать по алфавиту, укажите sort=True:

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

Если вы используете sklearnбиблиотеку, вы можете использовать LabelEncoder. Например pd.Categorical, входные строки сортируются по алфавиту перед кодированием.

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

Попробуйте это, конвертируйте в число на основе частоты (высокая частота - большое число):

labels = df[col].value_counts(ascending=True).index.tolist()
codes = range(1,len(labels)+1)
df[col].replace(labels,codes,inplace=True)

Изменит любые столбцы на числа. Он не создаст новый столбец, а просто заменит значения числовыми данными.

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

Однострочный код:

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

Это также работает, если у вас есть list_of_columns:

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

Кроме того, если вы хотите сохранить свои NaNзначения, вы можете применить замену:

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