分类数据#
本节介绍 pandas 分类数据类型,并简要比较了 R 的 factor
。
Categoricals
是 pandas 数据类型,对应于统计学中的分类变量。分类变量取有限个且通常是固定的可能值 (categories
;R 中的 levels
)。例如,性别、社会阶层、血型、国家归属、观察时间或利克特量表评分。
与统计学中的分类变量不同,分类数据可能具有顺序(例如,“强烈同意”与“同意”或“第一次观察”与“第二次观察”),但无法进行数值运算(加法、除法等)。
分类数据的全部值要么在 categories
中,要么是 np.nan
。顺序由 categories
的顺序定义,而不是值的词典顺序。在内部,数据结构由一个 categories
数组和一个指向 categories
数组中实际值的整数 codes
数组组成。
分类数据类型在以下情况下很有用
一个仅包含几个不同值的字符串变量。将这样的字符串变量转换为分类变量将节省一些内存,请参阅 此处。
变量的词典顺序与逻辑顺序不同(“one”、“two”、“three”)。通过转换为分类变量并在类别上指定顺序,排序和最小值/最大值将使用逻辑顺序而不是词典顺序,请参阅 此处。
作为向其他 Python 库发出的信号,表明此列应被视为分类变量(例如,使用合适的统计方法或绘图类型)。
另请参阅 分类变量的 API 文档。
对象创建#
系列创建#
可以在 DataFrame
中创建分类 Series
或列,方法如下
在构建 Series
时指定 dtype="category"
In [1]: s = pd.Series(["a", "b", "c", "a"], dtype="category")
In [2]: s
Out[2]:
0 a
1 b
2 c
3 a
dtype: category
Categories (3, object): ['a', 'b', 'c']
将现有的 Series
或列转换为 category
数据类型
In [3]: df = pd.DataFrame({"A": ["a", "b", "c", "a"]})
In [4]: df["B"] = df["A"].astype("category")
In [5]: df
Out[5]:
A B
0 a a
1 b b
2 c c
3 a a
使用特殊函数,例如 cut()
,将数据分组到离散的箱中。请参阅文档中的 关于平铺的示例。
In [6]: df = pd.DataFrame({"value": np.random.randint(0, 100, 20)})
In [7]: labels = ["{0} - {1}".format(i, i + 9) for i in range(0, 100, 10)]
In [8]: df["group"] = pd.cut(df.value, range(0, 105, 10), right=False, labels=labels)
In [9]: df.head(10)
Out[9]:
value group
0 65 60 - 69
1 49 40 - 49
2 56 50 - 59
3 43 40 - 49
4 43 40 - 49
5 91 90 - 99
6 32 30 - 39
7 87 80 - 89
8 36 30 - 39
9 8 0 - 9
通过将 pandas.Categorical
对象传递给 Series
或将其分配给 DataFrame
。
In [10]: raw_cat = pd.Categorical(
....: ["a", "b", "c", "a"], categories=["b", "c", "d"], ordered=False
....: )
....:
In [11]: s = pd.Series(raw_cat)
In [12]: s
Out[12]:
0 NaN
1 b
2 c
3 NaN
dtype: category
Categories (3, object): ['b', 'c', 'd']
In [13]: df = pd.DataFrame({"A": ["a", "b", "c", "a"]})
In [14]: df["B"] = raw_cat
In [15]: df
Out[15]:
A B
0 a NaN
1 b b
2 c c
3 a NaN
分类数据具有特定的 category
dtype
In [16]: df.dtypes
Out[16]:
A object
B category
dtype: object
DataFrame 创建#
类似于上一节中将单个列转换为分类的方式,可以在构造 DataFrame
期间或之后将 DataFrame
中的所有列批量转换为分类。
这可以通过在 DataFrame
构造函数中指定 dtype="category"
来完成。
In [17]: df = pd.DataFrame({"A": list("abca"), "B": list("bccd")}, dtype="category")
In [18]: df.dtypes
Out[18]:
A category
B category
dtype: object
请注意,每列中存在的类别不同;转换是按列进行的,因此只有给定列中存在的标签才是类别。
In [19]: df["A"]
Out[19]:
0 a
1 b
2 c
3 a
Name: A, dtype: category
Categories (3, object): ['a', 'b', 'c']
In [20]: df["B"]
Out[20]:
0 b
1 c
2 c
3 d
Name: B, dtype: category
Categories (3, object): ['b', 'c', 'd']
类似地,可以使用 DataFrame.astype()
将现有 DataFrame
中的所有列批量转换为分类。
In [21]: df = pd.DataFrame({"A": list("abca"), "B": list("bccd")})
In [22]: df_cat = df.astype("category")
In [23]: df_cat.dtypes
Out[23]:
A category
B category
dtype: object
此转换同样是按列进行的。
In [24]: df_cat["A"]
Out[24]:
0 a
1 b
2 c
3 a
Name: A, dtype: category
Categories (3, object): ['a', 'b', 'c']
In [25]: df_cat["B"]
Out[25]:
0 b
1 c
2 c
3 d
Name: B, dtype: category
Categories (3, object): ['b', 'c', 'd']
控制行为#
在上面我们传递 dtype='category'
的示例中,我们使用了默认行为。
类别是从数据中推断出来的。
类别是无序的。
要控制这些行为,不要传递 'category'
,而是使用 CategoricalDtype
的实例。
In [26]: from pandas.api.types import CategoricalDtype
In [27]: s = pd.Series(["a", "b", "c", "a"])
In [28]: cat_type = CategoricalDtype(categories=["b", "c", "d"], ordered=True)
In [29]: s_cat = s.astype(cat_type)
In [30]: s_cat
Out[30]:
0 NaN
1 b
2 c
3 NaN
dtype: category
Categories (3, object): ['b' < 'c' < 'd']
类似地,可以使用 CategoricalDtype
与 DataFrame
来确保所有列中的类别一致。
In [31]: from pandas.api.types import CategoricalDtype
In [32]: df = pd.DataFrame({"A": list("abca"), "B": list("bccd")})
In [33]: cat_type = CategoricalDtype(categories=list("abcd"), ordered=True)
In [34]: df_cat = df.astype(cat_type)
In [35]: df_cat["A"]
Out[35]:
0 a
1 b
2 c
3 a
Name: A, dtype: category
Categories (4, object): ['a' < 'b' < 'c' < 'd']
In [36]: df_cat["B"]
Out[36]:
0 b
1 c
2 c
3 d
Name: B, dtype: category
Categories (4, object): ['a' < 'b' < 'c' < 'd']
注意
要执行表级转换,其中整个 DataFrame
中的所有标签都用作每个列的类别,则可以使用 categories = pd.unique(df.to_numpy().ravel())
以编程方式确定 categories
参数。
如果您已经拥有 codes
和 categories
,则可以使用 from_codes()
构造函数在正常构造函数模式下保存因子化步骤。
In [37]: splitter = np.random.choice([0, 1], 5, p=[0.5, 0.5])
In [38]: s = pd.Series(pd.Categorical.from_codes(splitter, categories=["train", "test"]))
恢复原始数据#
要恢复原始 Series
或 NumPy 数组,请使用 Series.astype(original_dtype)
或 np.asarray(categorical)
。
In [39]: s = pd.Series(["a", "b", "c", "a"])
In [40]: s
Out[40]:
0 a
1 b
2 c
3 a
dtype: object
In [41]: s2 = s.astype("category")
In [42]: s2
Out[42]:
0 a
1 b
2 c
3 a
dtype: category
Categories (3, object): ['a', 'b', 'c']
In [43]: s2.astype(str)
Out[43]:
0 a
1 b
2 c
3 a
dtype: object
In [44]: np.asarray(s2)
Out[44]: array(['a', 'b', 'c', 'a'], dtype=object)
注意
与 R 的 factor
函数不同,分类数据不会将输入值转换为字符串;类别将最终与原始值具有相同的数据类型。
注意
与 R 的 factor
函数不同,目前无法在创建时分配/更改标签。使用 categories
在创建后更改类别。
CategoricalDtype#
分类的类型由以下内容完全描述:
categories
:一系列唯一值,没有缺失值ordered
:布尔值
此信息可以存储在 CategoricalDtype
中。 categories
参数是可选的,这意味着实际类别应该从 pandas.Categorical
创建时数据中存在的内容中推断出来。默认情况下,类别被假定为无序的。
In [45]: from pandas.api.types import CategoricalDtype
In [46]: CategoricalDtype(["a", "b", "c"])
Out[46]: CategoricalDtype(categories=['a', 'b', 'c'], ordered=False, categories_dtype=object)
In [47]: CategoricalDtype(["a", "b", "c"], ordered=True)
Out[47]: CategoricalDtype(categories=['a', 'b', 'c'], ordered=True, categories_dtype=object)
In [48]: CategoricalDtype()
Out[48]: CategoricalDtype(categories=None, ordered=False, categories_dtype=None)
可以在 pandas 期望 dtype
的任何地方使用 CategoricalDtype
。例如,pandas.read_csv()
、pandas.DataFrame.astype()
或 Series
构造函数。
注意
为了方便起见,您可以使用字符串 'category'
来代替 CategoricalDtype
,当您希望类别默认情况下无序且等于数组中存在的集合值时。换句话说,dtype='category'
等效于 dtype=CategoricalDtype()
。
相等语义#
当两个 CategoricalDtype
实例具有相同的类别和顺序时,它们比较相等。当比较两个无序类别时,categories
的顺序不予考虑。
In [49]: c1 = CategoricalDtype(["a", "b", "c"], ordered=False)
# Equal, since order is not considered when ordered=False
In [50]: c1 == CategoricalDtype(["b", "c", "a"], ordered=False)
Out[50]: True
# Unequal, since the second CategoricalDtype is ordered
In [51]: c1 == CategoricalDtype(["a", "b", "c"], ordered=True)
Out[51]: False
所有 CategoricalDtype
实例都与字符串 'category'
相等。
In [52]: c1 == "category"
Out[52]: True
描述#
对分类数据使用 describe()
将产生与类型为 string
的 Series
或 DataFrame
类似的输出。
In [53]: cat = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
In [54]: df = pd.DataFrame({"cat": cat, "s": ["a", "c", "c", np.nan]})
In [55]: df.describe()
Out[55]:
cat s
count 3 3
unique 2 2
top c c
freq 2 2
In [56]: df["cat"].describe()
Out[56]:
count 3
unique 2
top c
freq 2
Name: cat, dtype: object
使用类别#
分类数据具有 categories
和 ordered
属性,它们列出其可能的值以及排序是否重要。这些属性以 s.cat.categories
和 s.cat.ordered
的形式公开。如果您没有手动指定类别和排序,它们将从传递的参数中推断出来。
In [57]: s = pd.Series(["a", "b", "c", "a"], dtype="category")
In [58]: s.cat.categories
Out[58]: Index(['a', 'b', 'c'], dtype='object')
In [59]: s.cat.ordered
Out[59]: False
也可以按特定顺序传入类别
In [60]: s = pd.Series(pd.Categorical(["a", "b", "c", "a"], categories=["c", "b", "a"]))
In [61]: s.cat.categories
Out[61]: Index(['c', 'b', 'a'], dtype='object')
In [62]: s.cat.ordered
Out[62]: False
注意
新的分类数据**不会**自动排序。您必须显式传递ordered=True
来指示一个有序的Categorical
。
注意
unique()
的结果并不总是与Series.cat.categories
相同,因为Series.unique()
有一些保证,即它按出现顺序返回类别,并且只包含实际存在的数值。
In [63]: s = pd.Series(list("babc")).astype(CategoricalDtype(list("abcd")))
In [64]: s
Out[64]:
0 b
1 a
2 b
3 c
dtype: category
Categories (4, object): ['a', 'b', 'c', 'd']
# categories
In [65]: s.cat.categories
Out[65]: Index(['a', 'b', 'c', 'd'], dtype='object')
# uniques
In [66]: s.unique()
Out[66]:
['b', 'a', 'c']
Categories (4, object): ['a', 'b', 'c', 'd']
重命名类别#
重命名类别是通过使用rename_categories()
方法完成的。
In [67]: s = pd.Series(["a", "b", "c", "a"], dtype="category")
In [68]: s
Out[68]:
0 a
1 b
2 c
3 a
dtype: category
Categories (3, object): ['a', 'b', 'c']
In [69]: new_categories = ["Group %s" % g for g in s.cat.categories]
In [70]: s = s.cat.rename_categories(new_categories)
In [71]: s
Out[71]:
0 Group a
1 Group b
2 Group c
3 Group a
dtype: category
Categories (3, object): ['Group a', 'Group b', 'Group c']
# You can also pass a dict-like object to map the renaming
In [72]: s = s.cat.rename_categories({1: "x", 2: "y", 3: "z"})
In [73]: s
Out[73]:
0 Group a
1 Group b
2 Group c
3 Group a
dtype: category
Categories (3, object): ['Group a', 'Group b', 'Group c']
注意
与R的factor
不同,分类数据可以具有除字符串以外的其他类型的类别。
类别必须是唯一的,否则会引发ValueError
。
In [74]: try:
....: s = s.cat.rename_categories([1, 1, 1])
....: except ValueError as e:
....: print("ValueError:", str(e))
....:
ValueError: Categorical categories must be unique
类别也不能是NaN
,否则会引发ValueError
。
In [75]: try:
....: s = s.cat.rename_categories([1, 2, np.nan])
....: except ValueError as e:
....: print("ValueError:", str(e))
....:
ValueError: Categorical categories cannot be null
追加新类别#
追加类别可以通过使用add_categories()
方法完成。
In [76]: s = s.cat.add_categories([4])
In [77]: s.cat.categories
Out[77]: Index(['Group a', 'Group b', 'Group c', 4], dtype='object')
In [78]: s
Out[78]:
0 Group a
1 Group b
2 Group c
3 Group a
dtype: category
Categories (4, object): ['Group a', 'Group b', 'Group c', 4]
删除类别#
删除类别可以通过使用remove_categories()
方法完成。被删除的数值将被替换为np.nan
。
In [79]: s = s.cat.remove_categories([4])
In [80]: s
Out[80]:
0 Group a
1 Group b
2 Group c
3 Group a
dtype: category
Categories (3, object): ['Group a', 'Group b', 'Group c']
删除未使用的类别#
删除未使用的类别也可以完成。
In [81]: s = pd.Series(pd.Categorical(["a", "b", "a"], categories=["a", "b", "c", "d"]))
In [82]: s
Out[82]:
0 a
1 b
2 a
dtype: category
Categories (4, object): ['a', 'b', 'c', 'd']
In [83]: s.cat.remove_unused_categories()
Out[83]:
0 a
1 b
2 a
dtype: category
Categories (2, object): ['a', 'b']
设置类别#
如果您想一步完成删除和添加新类别(这有一些速度优势),或者只是将类别设置为预定义的范围,请使用set_categories()
。
In [84]: s = pd.Series(["one", "two", "four", "-"], dtype="category")
In [85]: s
Out[85]:
0 one
1 two
2 four
3 -
dtype: category
Categories (4, object): ['-', 'four', 'one', 'two']
In [86]: s = s.cat.set_categories(["one", "two", "three", "four"])
In [87]: s
Out[87]:
0 one
1 two
2 four
3 NaN
dtype: category
Categories (4, object): ['one', 'two', 'three', 'four']
注意
请注意,Categorical.set_categories()
无法知道某个类别是故意省略还是因为拼写错误,或者(在Python3中)由于类型差异(例如,NumPy S1 数据类型和 Python 字符串)。这会导致意外的行为!
排序和顺序#
如果分类数据是有序的(s.cat.ordered == True
),那么类别的顺序是有意义的,并且某些操作是可能的。如果分类数据是无序的,.min()/.max()
将引发TypeError
。
In [88]: s = pd.Series(pd.Categorical(["a", "b", "c", "a"], ordered=False))
In [89]: s = s.sort_values()
In [90]: s = pd.Series(["a", "b", "c", "a"]).astype(CategoricalDtype(ordered=True))
In [91]: s = s.sort_values()
In [92]: s
Out[92]:
0 a
3 a
1 b
2 c
dtype: category
Categories (3, object): ['a' < 'b' < 'c']
In [93]: s.min(), s.max()
Out[93]: ('a', 'c')
您可以使用as_ordered()
将分类数据设置为有序,或者使用as_unordered()
设置为无序。默认情况下,这些操作将返回一个新的对象。
In [94]: s.cat.as_ordered()
Out[94]:
0 a
3 a
1 b
2 c
dtype: category
Categories (3, object): ['a' < 'b' < 'c']
In [95]: s.cat.as_unordered()
Out[95]:
0 a
3 a
1 b
2 c
dtype: category
Categories (3, object): ['a', 'b', 'c']
排序将使用类别定义的顺序,而不是数据类型中存在的任何词法顺序。这甚至适用于字符串和数字数据。
In [96]: s = pd.Series([1, 2, 3, 1], dtype="category")
In [97]: s = s.cat.set_categories([2, 3, 1], ordered=True)
In [98]: s
Out[98]:
0 1
1 2
2 3
3 1
dtype: category
Categories (3, int64): [2 < 3 < 1]
In [99]: s = s.sort_values()
In [100]: s
Out[100]:
1 2
2 3
0 1
3 1
dtype: category
Categories (3, int64): [2 < 3 < 1]
In [101]: s.min(), s.max()
Out[101]: (2, 1)
重新排序#
可以通过 Categorical.reorder_categories()
和 Categorical.set_categories()
方法重新排序类别。对于 Categorical.reorder_categories()
,所有旧类别必须包含在新类别中,并且不允许添加新类别。这将必然使排序顺序与类别顺序相同。
In [102]: s = pd.Series([1, 2, 3, 1], dtype="category")
In [103]: s = s.cat.reorder_categories([2, 3, 1], ordered=True)
In [104]: s
Out[104]:
0 1
1 2
2 3
3 1
dtype: category
Categories (3, int64): [2 < 3 < 1]
In [105]: s = s.sort_values()
In [106]: s
Out[106]:
1 2
2 3
0 1
3 1
dtype: category
Categories (3, int64): [2 < 3 < 1]
In [107]: s.min(), s.max()
Out[107]: (2, 1)
注意
请注意分配新类别和重新排序类别之间的区别:前者会重命名类别,因此 Series
中的各个值也会随之改变,但如果第一个位置最后排序,则重命名的值仍然会最后排序。重新排序意味着之后值排序的方式不同,但并不意味着 Series
中的各个值会发生改变。
注意
如果 Categorical
未排序,Series.min()
和 Series.max()
会引发 TypeError
。数值运算,如 +
、-
、*
、/
以及基于它们的运算(例如 Series.median()
,如果数组的长度为偶数,则需要计算两个值的平均值)无法正常工作,并会引发 TypeError
。
多列排序#
分类数据类型的列将以类似于其他列的方式参与多列排序。分类数据的排序由该列的 categories
决定。
In [108]: dfs = pd.DataFrame(
.....: {
.....: "A": pd.Categorical(
.....: list("bbeebbaa"),
.....: categories=["e", "a", "b"],
.....: ordered=True,
.....: ),
.....: "B": [1, 2, 1, 2, 2, 1, 2, 1],
.....: }
.....: )
.....:
In [109]: dfs.sort_values(by=["A", "B"])
Out[109]:
A B
2 e 1
3 e 2
7 a 1
6 a 2
0 b 1
5 b 1
1 b 2
4 b 2
重新排序 categories
会改变未来的排序。
In [110]: dfs["A"] = dfs["A"].cat.reorder_categories(["a", "b", "e"])
In [111]: dfs.sort_values(by=["A", "B"])
Out[111]:
A B
7 a 1
6 a 2
0 b 1
5 b 1
1 b 2
4 b 2
2 e 1
3 e 2
比较#
在三种情况下,可以将分类数据与其他对象进行比较
与与分类数据长度相同的列表式对象(列表、Series、数组等)进行相等比较(
==
和!=
)。所有对分类数据的比较(
==
、!=
、>
、>=
、<
和<=
),当ordered==True
且categories
相同时,与另一个分类 Series 进行比较。所有对分类数据与标量的比较。
所有其他比较,特别是两个具有不同类别或分类与任何列表类对象的“非等式”比较,将引发 TypeError
。
注意
任何对分类数据与 Series
、np.array
、list
或具有不同类别或排序的分类数据的“非等式”比较,将引发 TypeError
,因为自定义类别排序可以解释为两种方式:一种考虑排序,另一种不考虑排序。
In [112]: cat = pd.Series([1, 2, 3]).astype(CategoricalDtype([3, 2, 1], ordered=True))
In [113]: cat_base = pd.Series([2, 2, 2]).astype(CategoricalDtype([3, 2, 1], ordered=True))
In [114]: cat_base2 = pd.Series([2, 2, 2]).astype(CategoricalDtype(ordered=True))
In [115]: cat
Out[115]:
0 1
1 2
2 3
dtype: category
Categories (3, int64): [3 < 2 < 1]
In [116]: cat_base
Out[116]:
0 2
1 2
2 2
dtype: category
Categories (3, int64): [3 < 2 < 1]
In [117]: cat_base2
Out[117]:
0 2
1 2
2 2
dtype: category
Categories (1, int64): [2]
与具有相同类别和排序的分类或标量进行比较有效
In [118]: cat > cat_base
Out[118]:
0 True
1 False
2 False
dtype: bool
In [119]: cat > 2
Out[119]:
0 True
1 False
2 False
dtype: bool
等式比较与任何相同长度的列表类对象和标量有效
In [120]: cat == cat_base
Out[120]:
0 False
1 True
2 False
dtype: bool
In [121]: cat == np.array([1, 2, 3])
Out[121]:
0 True
1 True
2 True
dtype: bool
In [122]: cat == 2
Out[122]:
0 False
1 True
2 False
dtype: bool
这不起作用,因为类别不同
In [123]: try:
.....: cat > cat_base2
.....: except TypeError as e:
.....: print("TypeError:", str(e))
.....:
TypeError: Categoricals can only be compared if 'categories' are the same.
如果要对分类序列与不是分类数据的列表类对象进行“非等式”比较,则需要明确地将分类数据转换回原始值
In [124]: base = np.array([1, 2, 3])
In [125]: try:
.....: cat > base
.....: except TypeError as e:
.....: print("TypeError:", str(e))
.....:
TypeError: Cannot compare a Categorical for op __gt__ with type <class 'numpy.ndarray'>.
If you want to compare values, use 'np.asarray(cat) <op> other'.
In [126]: np.asarray(cat) > base
Out[126]: array([False, False, False])
当比较两个具有相同类别的无序分类时,不考虑顺序
In [127]: c1 = pd.Categorical(["a", "b"], categories=["a", "b"], ordered=False)
In [128]: c2 = pd.Categorical(["a", "b"], categories=["b", "a"], ordered=False)
In [129]: c1 == c2
Out[129]: array([ True, True])
操作#
除了 Series.min()
、Series.max()
和 Series.mode()
之外,还可以对分类数据执行以下操作
Series
方法(如 Series.value_counts()
)将使用所有类别,即使某些类别不在数据中
In [130]: s = pd.Series(pd.Categorical(["a", "b", "c", "c"], categories=["c", "a", "b", "d"]))
In [131]: s.value_counts()
Out[131]:
c 2
a 1
b 1
d 0
Name: count, dtype: int64
DataFrame
方法,例如 DataFrame.sum()
,当 observed=False
时也会显示“未使用的”类别。
In [132]: columns = pd.Categorical(
.....: ["One", "One", "Two"], categories=["One", "Two", "Three"], ordered=True
.....: )
.....:
In [133]: df = pd.DataFrame(
.....: data=[[1, 2, 3], [4, 5, 6]],
.....: columns=pd.MultiIndex.from_arrays([["A", "B", "B"], columns]),
.....: ).T
.....:
In [134]: df.groupby(level=1, observed=False).sum()
Out[134]:
0 1
One 3 9
Two 3 6
Three 0 0
当 observed=False
时,分组也会显示“未使用的”类别。
In [135]: cats = pd.Categorical(
.....: ["a", "b", "b", "b", "c", "c", "c"], categories=["a", "b", "c", "d"]
.....: )
.....:
In [136]: df = pd.DataFrame({"cats": cats, "values": [1, 2, 2, 2, 3, 4, 5]})
In [137]: df.groupby("cats", observed=False).mean()
Out[137]:
values
cats
a 1.0
b 2.0
c 4.0
d NaN
In [138]: cats2 = pd.Categorical(["a", "a", "b", "b"], categories=["a", "b", "c"])
In [139]: df2 = pd.DataFrame(
.....: {
.....: "cats": cats2,
.....: "B": ["c", "d", "c", "d"],
.....: "values": [1, 2, 3, 4],
.....: }
.....: )
.....:
In [140]: df2.groupby(["cats", "B"], observed=False).mean()
Out[140]:
values
cats B
a c 1.0
d 2.0
b c 3.0
d 4.0
c c NaN
d NaN
透视表
In [141]: raw_cat = pd.Categorical(["a", "a", "b", "b"], categories=["a", "b", "c"])
In [142]: df = pd.DataFrame({"A": raw_cat, "B": ["c", "d", "c", "d"], "values": [1, 2, 3, 4]})
In [143]: pd.pivot_table(df, values="values", index=["A", "B"], observed=False)
Out[143]:
values
A B
a c 1.0
d 2.0
b c 3.0
d 4.0
数据整理#
优化的 pandas 数据访问方法 .loc
、.iloc
、.at
和 .iat
按正常工作。唯一的区别是返回类型(用于获取)以及只能分配 categories
中已有的值。
获取#
如果切片操作返回 DataFrame
或类型为 Series
的列,则会保留 category
数据类型。
In [144]: idx = pd.Index(["h", "i", "j", "k", "l", "m", "n"])
In [145]: cats = pd.Series(["a", "b", "b", "b", "c", "c", "c"], dtype="category", index=idx)
In [146]: values = [1, 2, 2, 2, 3, 4, 5]
In [147]: df = pd.DataFrame({"cats": cats, "values": values}, index=idx)
In [148]: df.iloc[2:4, :]
Out[148]:
cats values
j b 2
k b 2
In [149]: df.iloc[2:4, :].dtypes
Out[149]:
cats category
values int64
dtype: object
In [150]: df.loc["h":"j", "cats"]
Out[150]:
h a
i b
j b
Name: cats, dtype: category
Categories (3, object): ['a', 'b', 'c']
In [151]: df[df["cats"] == "b"]
Out[151]:
cats values
i b 2
j b 2
k b 2
如果取一行,则不会保留类别类型,因为得到的 Series
的数据类型为 object
。
# get the complete "h" row as a Series
In [152]: df.loc["h", :]
Out[152]:
cats a
values 1
Name: h, dtype: object
从分类数据中返回单个项目也会返回该值,而不是长度为“1”的分类。
In [153]: df.iat[0, 0]
Out[153]: 'a'
In [154]: df["cats"] = df["cats"].cat.rename_categories(["x", "y", "z"])
In [155]: df.at["h", "cats"] # returns a string
Out[155]: 'x'
注意
这与 R 的 factor
函数形成对比,在该函数中,factor(c(1,2,3))[1]
返回单个值 factor
。
要获取类型为 category
的单个值 Series
,请传入包含单个值的列表。
In [156]: df.loc[["h"], "cats"]
Out[156]:
h x
Name: cats, dtype: category
Categories (3, object): ['x', 'y', 'z']
字符串和日期时间访问器#
如果 s.cat.categories
是适当的类型,则访问器 .dt
和 .str
将起作用。
In [157]: str_s = pd.Series(list("aabb"))
In [158]: str_cat = str_s.astype("category")
In [159]: str_cat
Out[159]:
0 a
1 a
2 b
3 b
dtype: category
Categories (2, object): ['a', 'b']
In [160]: str_cat.str.contains("a")
Out[160]:
0 True
1 True
2 False
3 False
dtype: bool
In [161]: date_s = pd.Series(pd.date_range("1/1/2015", periods=5))
In [162]: date_cat = date_s.astype("category")
In [163]: date_cat
Out[163]:
0 2015-01-01
1 2015-01-02
2 2015-01-03
3 2015-01-04
4 2015-01-05
dtype: category
Categories (5, datetime64[ns]): [2015-01-01, 2015-01-02, 2015-01-03, 2015-01-04, 2015-01-05]
In [164]: date_cat.dt.day
Out[164]:
0 1
1 2
2 3
3 4
4 5
dtype: int32
注意
返回的 Series
(或 DataFrame
)与在该类型(而不是类型 category
!)的 Series
上使用 .str.<method>
/ .dt.<method>
时相同。
这意味着,访问器在 Series
上的方法和属性的返回值与访问器在该 Series
上的方法和属性的返回值(该 Series
已转换为类型 category
)将相等。
In [165]: ret_s = str_s.str.contains("a")
In [166]: ret_cat = str_cat.str.contains("a")
In [167]: ret_s.dtype == ret_cat.dtype
Out[167]: True
In [168]: ret_s == ret_cat
Out[168]:
0 True
1 True
2 True
3 True
dtype: bool
注意
该工作是在 categories
上完成的,然后构建一个新的 Series
。如果你的 Series
是字符串类型,并且包含大量重复元素(即 Series
中唯一元素的数量远小于 Series
的长度),那么这将对性能产生一些影响。在这种情况下,将原始 Series
转换为 category
类型,并使用 .str.<method>
或 .dt.<property>
操作可能会更快。
设置#
只要值包含在 categories
中,就可以设置分类列(或 Series
)中的值。
In [169]: idx = pd.Index(["h", "i", "j", "k", "l", "m", "n"])
In [170]: cats = pd.Categorical(["a", "a", "a", "a", "a", "a", "a"], categories=["a", "b"])
In [171]: values = [1, 1, 1, 1, 1, 1, 1]
In [172]: df = pd.DataFrame({"cats": cats, "values": values}, index=idx)
In [173]: df.iloc[2:4, :] = [["b", 2], ["b", 2]]
In [174]: df
Out[174]:
cats values
h a 1
i a 1
j b 2
k b 2
l a 1
m a 1
n a 1
In [175]: try:
.....: df.iloc[2:4, :] = [["c", 3], ["c", 3]]
.....: except TypeError as e:
.....: print("TypeError:", str(e))
.....:
TypeError: Cannot setitem on a Categorical with a new category, set the categories first
通过分配分类数据来设置值也会检查 categories
是否匹配。
In [176]: df.loc["j":"k", "cats"] = pd.Categorical(["a", "a"], categories=["a", "b"])
In [177]: df
Out[177]:
cats values
h a 1
i a 1
j a 2
k a 2
l a 1
m a 1
n a 1
In [178]: try:
.....: df.loc["j":"k", "cats"] = pd.Categorical(["b", "b"], categories=["a", "b", "c"])
.....: except TypeError as e:
.....: print("TypeError:", str(e))
.....:
TypeError: Cannot set a Categorical with another, without identical categories
将 Categorical
分配给其他类型列的部分将使用这些值。
In [179]: df = pd.DataFrame({"a": [1, 1, 1, 1, 1], "b": ["a", "a", "a", "a", "a"]})
In [180]: df.loc[1:2, "a"] = pd.Categorical(["b", "b"], categories=["a", "b"])
In [181]: df.loc[2:3, "b"] = pd.Categorical(["b", "b"], categories=["a", "b"])
In [182]: df
Out[182]:
a b
0 1 a
1 b a
2 b b
3 1 b
4 1 a
In [183]: df.dtypes
Out[183]:
a object
b object
dtype: object
合并/连接#
默认情况下,组合包含相同类别的 Series
或 DataFrames
会导致 category
数据类型,否则结果将取决于底层类别的类型。导致非分类数据类型的合并可能会导致更高的内存使用量。使用 .astype
或 union_categoricals
来确保 category
结果。
In [184]: from pandas.api.types import union_categoricals
# same categories
In [185]: s1 = pd.Series(["a", "b"], dtype="category")
In [186]: s2 = pd.Series(["a", "b", "a"], dtype="category")
In [187]: pd.concat([s1, s2])
Out[187]:
0 a
1 b
0 a
1 b
2 a
dtype: category
Categories (2, object): ['a', 'b']
# different categories
In [188]: s3 = pd.Series(["b", "c"], dtype="category")
In [189]: pd.concat([s1, s3])
Out[189]:
0 a
1 b
0 b
1 c
dtype: object
# Output dtype is inferred based on categories values
In [190]: int_cats = pd.Series([1, 2], dtype="category")
In [191]: float_cats = pd.Series([3.0, 4.0], dtype="category")
In [192]: pd.concat([int_cats, float_cats])
Out[192]:
0 1.0
1 2.0
0 3.0
1 4.0
dtype: float64
In [193]: pd.concat([s1, s3]).astype("category")
Out[193]:
0 a
1 b
0 b
1 c
dtype: category
Categories (3, object): ['a', 'b', 'c']
In [194]: union_categoricals([s1.array, s3.array])
Out[194]:
['a', 'b', 'b', 'c']
Categories (3, object): ['a', 'b', 'c']
下表总结了合并 Categoricals
的结果。
arg1 |
arg2 |
相同 |
结果 |
---|---|---|---|
类别 |
类别 |
True |
类别 |
类别(对象) |
类别(对象) |
False |
对象(数据类型推断) |
类别(整数) |
类别(浮点数) |
False |
浮点数(数据类型推断) |
联合#
如果你想合并不一定具有相同类别的分类数据,可以使用 union_categoricals()
函数来合并分类数据的列表。新的类别将是合并的类别的并集。
In [195]: from pandas.api.types import union_categoricals
In [196]: a = pd.Categorical(["b", "c"])
In [197]: b = pd.Categorical(["a", "b"])
In [198]: union_categoricals([a, b])
Out[198]:
['b', 'c', 'a', 'b']
Categories (3, object): ['b', 'c', 'a']
默认情况下,结果类别将按它们在数据中出现的顺序排列。如果你想让类别按字典序排序,请使用 sort_categories=True
参数。
In [199]: union_categoricals([a, b], sort_categories=True)
Out[199]:
['b', 'c', 'a', 'b']
Categories (3, object): ['a', 'b', 'c']
union_categoricals
也适用于合并具有相同类别和顺序信息的两个分类数据的“简单”情况(例如,你也可以使用 append
来完成)。
In [200]: a = pd.Categorical(["a", "b"], ordered=True)
In [201]: b = pd.Categorical(["a", "b", "a"], ordered=True)
In [202]: union_categoricals([a, b])
Out[202]:
['a', 'b', 'a', 'b', 'a']
Categories (2, object): ['a' < 'b']
以下代码会引发 TypeError
,因为类别是有序的,并且不相同。
In [203]: a = pd.Categorical(["a", "b"], ordered=True)
In [204]: b = pd.Categorical(["a", "b", "c"], ordered=True)
In [205]: union_categoricals([a, b])
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
Cell In[205], line 1
----> 1 union_categoricals([a, b])
File ~/work/pandas/pandas/pandas/core/dtypes/concat.py:341, in union_categoricals(to_union, sort_categories, ignore_order)
339 if all(c.ordered for c in to_union):
340 msg = "to union ordered Categoricals, all categories must be the same"
--> 341 raise TypeError(msg)
342 raise TypeError("Categorical.ordered must be the same")
344 if ignore_order:
TypeError: to union ordered Categoricals, all categories must be the same
可以通过使用 ignore_ordered=True
参数来合并具有不同类别或顺序的有序分类数据。
In [206]: a = pd.Categorical(["a", "b", "c"], ordered=True)
In [207]: b = pd.Categorical(["c", "b", "a"], ordered=True)
In [208]: union_categoricals([a, b], ignore_order=True)
Out[208]:
['a', 'b', 'c', 'c', 'b', 'a']
Categories (3, object): ['a', 'b', 'c']
union_categoricals()
也适用于 CategoricalIndex
或包含分类数据的 Series
,但请注意,结果数组将始终是普通的 Categorical
。
In [209]: a = pd.Series(["b", "c"], dtype="category")
In [210]: b = pd.Series(["a", "b"], dtype="category")
In [211]: union_categoricals([a, b])
Out[211]:
['b', 'c', 'a', 'b']
Categories (3, object): ['b', 'c', 'a']
注意
union_categoricals
可能会在合并分类数据时重新编码类别的整数代码。这可能是你想要的,但如果你依赖于类别的精确编号,请注意这一点。
In [212]: c1 = pd.Categorical(["b", "c"])
In [213]: c2 = pd.Categorical(["a", "b"])
In [214]: c1
Out[214]:
['b', 'c']
Categories (2, object): ['b', 'c']
# "b" is coded to 0
In [215]: c1.codes
Out[215]: array([0, 1], dtype=int8)
In [216]: c2
Out[216]:
['a', 'b']
Categories (2, object): ['a', 'b']
# "b" is coded to 1
In [217]: c2.codes
Out[217]: array([0, 1], dtype=int8)
In [218]: c = union_categoricals([c1, c2])
In [219]: c
Out[219]:
['b', 'c', 'a', 'b']
Categories (3, object): ['b', 'c', 'a']
# "b" is coded to 0 throughout, same as c1, different from c2
In [220]: c.codes
Out[220]: array([0, 1, 2, 0], dtype=int8)
获取数据#
你可以将包含 category
数据类型的数据写入 HDFStore
。有关示例和注意事项,请参见 此处。
还可以将数据写入和从 Stata 格式文件读取数据。有关示例和注意事项,请参见 此处。
写入 CSV 文件将转换数据,实际上会删除有关分类数据(类别和顺序)的任何信息。因此,如果你重新读取 CSV 文件,则必须将相关列转换回 category
并分配正确的类别和类别顺序。
In [221]: import io
In [222]: s = pd.Series(pd.Categorical(["a", "b", "b", "a", "a", "d"]))
# rename the categories
In [223]: s = s.cat.rename_categories(["very good", "good", "bad"])
# reorder the categories and add missing categories
In [224]: s = s.cat.set_categories(["very bad", "bad", "medium", "good", "very good"])
In [225]: df = pd.DataFrame({"cats": s, "vals": [1, 2, 3, 4, 5, 6]})
In [226]: csv = io.StringIO()
In [227]: df.to_csv(csv)
In [228]: df2 = pd.read_csv(io.StringIO(csv.getvalue()))
In [229]: df2.dtypes
Out[229]:
Unnamed: 0 int64
cats object
vals int64
dtype: object
In [230]: df2["cats"]
Out[230]:
0 very good
1 good
2 good
3 very good
4 very good
5 bad
Name: cats, dtype: object
# Redo the category
In [231]: df2["cats"] = df2["cats"].astype("category")
In [232]: df2["cats"] = df2["cats"].cat.set_categories(
.....: ["very bad", "bad", "medium", "good", "very good"]
.....: )
.....:
In [233]: df2.dtypes
Out[233]:
Unnamed: 0 int64
cats category
vals int64
dtype: object
In [234]: df2["cats"]
Out[234]:
0 very good
1 good
2 good
3 very good
4 very good
5 bad
Name: cats, dtype: category
Categories (5, object): ['very bad', 'bad', 'medium', 'good', 'very good']
使用 to_sql
写入 SQL 数据库也是如此。
缺失数据#
pandas 主要使用值 np.nan
来表示缺失数据。默认情况下,它不包含在计算中。请参阅 缺失数据部分。
缺失值 **不应** 包含在 Categorical 的 categories
中,而应包含在 values
中。相反,应该理解 NaN 是不同的,并且始终有可能。在使用 Categorical 的 codes
时,缺失值始终具有 -1
的代码。
In [235]: s = pd.Series(["a", "b", np.nan, "a"], dtype="category")
# only two categories
In [236]: s
Out[236]:
0 a
1 b
2 NaN
3 a
dtype: category
Categories (2, object): ['a', 'b']
In [237]: s.cat.codes
Out[237]:
0 0
1 1
2 -1
3 0
dtype: int8
用于处理缺失数据的方法,例如 isna()
、fillna()
、dropna()
,都正常工作。
In [238]: s = pd.Series(["a", "b", np.nan], dtype="category")
In [239]: s
Out[239]:
0 a
1 b
2 NaN
dtype: category
Categories (2, object): ['a', 'b']
In [240]: pd.isna(s)
Out[240]:
0 False
1 False
2 True
dtype: bool
In [241]: s.fillna("a")
Out[241]:
0 a
1 b
2 a
dtype: category
Categories (2, object): ['a', 'b']
与 R 的 factor
的区别#
可以观察到以下与 R 的 factor 函数的区别
R 的
levels
被命名为categories
。R 的
levels
始终为字符串类型,而 pandas 中的categories
可以是任何 dtype。无法在创建时指定标签。之后使用
s.cat.rename_categories(new_labels)
。与 R 的
factor
函数相反,使用分类数据作为唯一输入来创建新的分类序列 **不会** 删除未使用的类别,而是创建与传入的分类序列相等的新的分类序列!R 允许将缺失值包含在其
levels
(pandas 的categories
)中。pandas 不允许NaN
类别,但缺失值仍然可以存在于values
中。
注意事项#
内存使用#
Categorical
的内存使用量与类别数量和数据长度成正比。相比之下,object
数据类型是数据长度的常数倍。
In [242]: s = pd.Series(["foo", "bar"] * 1000)
# object dtype
In [243]: s.nbytes
Out[243]: 16000
# category dtype
In [244]: s.astype("category").nbytes
Out[244]: 2016
注意
如果类别数量接近数据长度,Categorical
将使用与等效的 object
数据类型表示几乎相同或更多的内存。
In [245]: s = pd.Series(["foo%04d" % i for i in range(2000)])
# object dtype
In [246]: s.nbytes
Out[246]: 16000
# category dtype
In [247]: s.astype("category").nbytes
Out[247]: 20000
Categorical
不是 numpy
数组#
目前,分类数据和底层的 Categorical
是作为 Python 对象实现的,而不是作为低级 NumPy 数组数据类型。这会导致一些问题。
NumPy 本身不知道新的 dtype
In [248]: try:
.....: np.dtype("category")
.....: except TypeError as e:
.....: print("TypeError:", str(e))
.....:
TypeError: data type 'category' not understood
In [249]: dtype = pd.Categorical(["a"]).dtype
In [250]: try:
.....: np.dtype(dtype)
.....: except TypeError as e:
.....: print("TypeError:", str(e))
.....:
TypeError: Cannot interpret 'CategoricalDtype(categories=['a'], ordered=False, categories_dtype=object)' as a data type
数据类型比较有效
In [251]: dtype == np.str_
Out[251]: False
In [252]: np.str_ == dtype
Out[252]: False
要检查 Series 是否包含分类数据,请使用 hasattr(s, 'cat')
In [253]: hasattr(pd.Series(["a"], dtype="category"), "cat")
Out[253]: True
In [254]: hasattr(pd.Series(["a"]), "cat")
Out[254]: False
在类型为 category
的 Series
上使用 NumPy 函数应该不起作用,因为 Categoricals
不是数值数据(即使在 .categories
是数值的情况下)。
In [255]: s = pd.Series(pd.Categorical([1, 2, 3, 4]))
In [256]: try:
.....: np.sum(s)
.....: except TypeError as e:
.....: print("TypeError:", str(e))
.....:
TypeError: 'Categorical' with dtype category does not support reduction 'sum'
注意
如果这样的函数有效,请在 pandas-dev/pandas 上提交错误报告!
apply 中的数据类型#
pandas 目前在 apply 函数中不保留 dtype:如果沿行应用,则会得到一个 Series
类型为 object
的 dtype
(与获取一行 -> 获取一个元素将返回基本类型相同),沿列应用也会转换为 object。 NaN
值不受影响。可以使用 fillna
在应用函数之前处理缺失值。
In [257]: df = pd.DataFrame(
.....: {
.....: "a": [1, 2, 3, 4],
.....: "b": ["a", "b", "c", "d"],
.....: "cats": pd.Categorical([1, 2, 3, 2]),
.....: }
.....: )
.....:
In [258]: df.apply(lambda row: type(row["cats"]), axis=1)
Out[258]:
0 <class 'int'>
1 <class 'int'>
2 <class 'int'>
3 <class 'int'>
dtype: object
In [259]: df.apply(lambda col: col.dtype, axis=0)
Out[259]:
a int64
b object
cats category
dtype: object
分类索引#
CategoricalIndex
是一种索引类型,它对于支持重复索引很有用。它是一个围绕 Categorical
的容器,允许对具有大量重复元素的索引进行高效索引和存储。有关更详细的说明,请参阅 高级索引文档。
设置索引将创建一个 CategoricalIndex
In [260]: cats = pd.Categorical([1, 2, 3, 4], categories=[4, 2, 3, 1])
In [261]: strings = ["a", "b", "c", "d"]
In [262]: values = [4, 2, 3, 1]
In [263]: df = pd.DataFrame({"strings": strings, "values": values}, index=cats)
In [264]: df.index
Out[264]: CategoricalIndex([1, 2, 3, 4], categories=[4, 2, 3, 1], ordered=False, dtype='category')
# This now sorts by the categories order
In [265]: df.sort_index()
Out[265]:
strings values
4 d 1
2 b 2
3 c 3
1 a 4
副作用#
从 Categorical
构造一个 Series
不会复制输入 Categorical
。这意味着对 Series
的更改在大多数情况下会更改原始 Categorical
In [266]: cat = pd.Categorical([1, 2, 3, 10], categories=[1, 2, 3, 4, 10])
In [267]: s = pd.Series(cat, name="cat")
In [268]: cat
Out[268]:
[1, 2, 3, 10]
Categories (5, int64): [1, 2, 3, 4, 10]
In [269]: s.iloc[0:2] = 10
In [270]: cat
Out[270]:
[10, 10, 3, 10]
Categories (5, int64): [1, 2, 3, 4, 10]
使用 copy=True
来防止这种行为,或者干脆不要重复使用 Categoricals
In [271]: cat = pd.Categorical([1, 2, 3, 10], categories=[1, 2, 3, 4, 10])
In [272]: s = pd.Series(cat, name="cat", copy=True)
In [273]: cat
Out[273]:
[1, 2, 3, 10]
Categories (5, int64): [1, 2, 3, 4, 10]
In [274]: s.iloc[0:2] = 10
In [275]: cat
Out[275]:
[1, 2, 3, 10]
Categories (5, int64): [1, 2, 3, 4, 10]
注意
在某些情况下,当您提供 NumPy 数组而不是 Categorical
时,也会发生这种情况:使用整数数组(例如 np.array([1,2,3,4])
)将表现出相同的行为,而使用字符串数组(例如 np.array(["a","b","c","a"])
)则不会。