Datos categorizados de Pandas

Ejemplo de operación de datos de clasificación de Pandas

Los datos generalmente contienen columnas de texto repetitivo en tiempo real. Sexo, país/Las funciones como la región y el código siempre son repetitivas. Estos son ejemplos de datos de clasificación.
分类变量只能采用有限的且通常是固定数量的可能值。除了固定长度外，分类数据可能还具有顺序，但不能执行数字运算。分类是Pandas数据类型。

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。

对象创建

分类对象可以通过多种方式创建。下面描述了不同的方式：

类别

通过在熊猫对象创建中将dtype指定为“ category”。

　import　pandas　as　pd
　s = pd.Series(["a","b","c","a"], dtype="category")
　print(s)

Resultados de ejecución a continuación:

　0　a
　1　b
　2　c
　3　a
　dtype:　category
　Categorías　(3,　object):　[a,　b,　c]

传递给series对象的元素数为4，但是类别仅为3。在输出类别中观察相同。

pd.Categorical

使用标准的熊猫分类构造器，我们可以创建一个类别对象。

pandas.Categorical(values, categories, ordered)

我们看一个实例-

　import　pandas　as　pd
　cat = pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c'])
　print(cat)

Resultados de ejecución a continuación:

　[a, b, c, a, b, c]
　Categorías　(3,　object):　[a,　b,　c]

让我们再看一个实例

　import　pandas　as　pd
　cat = cat = pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c', 'd'], ['c', 'b', 'a'])
　print(cat)

Resultados de ejecución a continuación:

　[a, b, c, a, b, c, NaN]
　Categorías　(3, object): [c, b, a]

在这里，第二个参数表示类别。因此，类别中不存在的任何值都将被视为NaN。
现在，看看以下示例：

　import　pandas　as　pd
　cat = cat = pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c', 'd'], ['c', 'b', 'a'], ordered=True)
　print(cat)

Resultados de ejecución a continuación:

　[a, b, c, a, b, c, NaN]
　Categorías　(3, object): [c < b < a]

从逻辑上讲，这个顺序意味着a大于b且b大于c。

描述

使用.describe()的命令来分类数据，我们得到相似的输出到一个系列或数据框的类型字符串。

　import　pandas　as　pd
　import numpy as np
　cat = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
　df = pd.DataFrame({"cat": cat, "s": ["a", "c", "c", np.nan]})
　print(df.describe())
　print(df["cat"].describe())

Resultados de ejecución a continuación:

　　　　cat s
count　　　　3　3
unique　　　2　2
top c c
freq　　　　　2　2
count　　　　　3
unique　　　　2
top c
freq　　　　　　2
Nombre: cat, dtype: object

Obtener propiedades de categorías

El comando obj.cat.categories se utiliza para obtener las categorías del objeto.

　import　pandas　as　pd
　import numpy as np
　s = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
　print(s.categories)

Resultados de ejecución a continuación:

　　Index([u'b', u'a', u'c'], dtype='object')

El comando obj.ordered se utiliza para obtener la secuencia del objeto.

　import　pandas　as　pd
　import numpy as np
　cat = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
　print(cat.ordered)

Resultados de ejecución a continuación:

　　　False

La función devuelve false porque no se especificó ningún orden.

Cambio de nombre de categorías

El cambio de nombre de las categorías se realiza asignando un nuevo valor a la propiedad series.cat.categories.

　import　pandas　as　pd
　s = pd.Series(["a","b","c","a"], dtype="category")
　s.cat.categories = ["Group %s" % g for g in s.cat.categories]
　print(s.cat.categories)

Resultados de ejecución a continuación:

Index([u'Group a', u'Group b', u'Group c'], dtype='object')

La categoría inicial [a, b, c] se actualiza mediante la propiedad s.cat.categories del objeto.

Agregar nuevas categorías

Utilizando el método Categorical.add_categories() se puede agregar nuevas categorías.

　import　pandas　as　pd
　s = pd.Series(["a","b","c","a"], dtype="category")
　s = s.cat.add_categories([4])
　print(s.cat.categories)

Resultados de ejecución a continuación:

Index([u'a', u'b', u'c',　4], dtype='object')

Eliminar categorías

Utilizando el método Categorical.remove_categories() se puede eliminar las categorías no deseadas.

　import　pandas　as　pd
　s = pd.Series(["a","b","c","a"], dtype="category")
　print(("Original object:"))
　print(s)
　print(("Después de la eliminación:"))
　print(s.cat.remove_categories("a"))

Resultados de ejecución a continuación:

　Objeto original:
　0　a
　1　b
　2　c
　3　a
　dtype:　category
　Categorías　(3,　object):　[a,　b,　c]
　Después de la eliminación:
　0　NaN
　1　b
　2　c
　3　NaN
　dtype:　category
　Categorías　(2,　object):　[b,　c]

Comparación de datos categorizados

Se pueden comparar datos categorizados con otros objetos en tres casos:

Se comparan igual (== y ！=) con objetos de lista similar a una lista (lista, serie, array, ...) de longitud igual a los datos categorizados.

　import　pandas　as　pd
　cat　=　pd.Series([1,2,3]).astype("category",　categories=[1,2,3],　ordered=True)
　cat1　=　pd.Series([2,2,2]).astype("category",　categories=[1,2,3],　ordered=True)
　print(cat>cat1)

　0　　False
　1　　False
　2　　True
　dtype:　bool