Pandas中的数据分类

原创

皮大大

修改于 2021-09-06 18:11:16

8.5K0

修改于 2021-09-06 18:11:16

文章被收录于专栏：机器学习/数据可视化机器学习/数据可视化

公众号：尤而小屋作者：Peter 编辑：Pete

大家好，我是Peter~

本文中介绍的是Categorical类型，主要实现的数据分类问题，用于承载基于整数的类别展示或编码的数据，帮助使用者获得更好的性能和内存使用。

背景：统计重复值

在一个Series数据中经常会出现重复值，我们需要提取这些不同的值并且分别计算它们的频数：

import numpy as np

import pandas as pd

data = pd.Series(["语文","数学","英语","数学","英语","地理","语文","语文"])

data

0    语文

1    数学

2    英语

3    数学

4    英语

5    地理

6    语文

7    语文

dtype: object

# 1、提取不同的值



pd.unique(data)

array(['语文', '数学', '英语', '地理'], dtype=object)

# 2、统计每个值的个数



pd.value\_counts(data)

语文    3

数学    2

英语    2

地理    1

dtype: int64

分类、字典编码

通过整数展现的方式，被称作分类或者字典编码。不同的数组可以称之为数据的类别、字典或者层级

df = pd.Series([0,1,1,0] \* 2)

df

0    0

1    1

2    1

3    0

4    0

5    1

6    1

7    0

dtype: int64

# dim使用维度表



dim = pd.Series(["语文","数学"])

dim

0    语文

1    数学

dtype: object

如何将0-语文，1-数学在df进行一一对应呢？使用**take**方法来实现

df1 = dim.take(df)

df1

0    语文

1    数学

1    数学

0    语文

0    语文

1    数学

1    数学

0    语文

dtype: object

type(df1)  # Series数据

pandas.core.series.Series

Categorical类型创建

生成一个Categorical实例对象

通过例子来讲解Categorical类型的使用

subjects = ["语文","数学","语文","语文"] \* 2



N = len(subjects)

df2 = pd.DataFrame({

    "subject":subjects,

    "id": np.arange(N),  # 连续整数

    "score":np.random.randint(3,15,size=N),  # 随机整数

    "height":np.random.uniform(165,180,size=N)  # 正态分布的数据

   },

  columns=["id","subject","score","height"])  # 指定列名称的顺序



df2

可以将subject转成Categorical类型：

subject\_cat = df2["subject"].astype("category")

subject\_cat

我们发现了subject_cat的两个特点：

它不是numpy数组，而是一个category数据类型
它里面有两个取值：语文和数学

s = subject\_cat.values

s

['语文', '数学', '语文', '语文', '语文', '数学', '语文', '语文']

Categories (2, object): ['数学', '语文']

type(s)

pandas.core.arrays.categorical.Categorical

s.categories  # 查看分类

Index(['数学', '语文'], dtype='object')

s.codes  # 查看分类编码

array([1, 0, 1, 1, 1, 0, 1, 1], dtype=int8)

如何生成Categorical对象

主要是两种方式：

指定DataFrame的一列为Categorical对象
通过pandas.Categorical来生成
通过构造函数from_codes，前提是你必须先获得分类编码数据

# 方式1



df2["subject"] = df2["subject"].astype("category")

df2.subject

0    语文

1    数学

2    语文

3    语文

4    语文

5    数学

6    语文

7    语文

Name: subject, dtype: category

Categories (2, object): ['数学', '语文']

# 方式2



fruit = pd.Categorical(["苹果","香蕉","葡萄","苹果","苹果","香蕉"])

fruit

['苹果', '香蕉', '葡萄', '苹果', '苹果', '香蕉']

Categories (3, object): ['苹果', '葡萄', '香蕉']

# 方式3



categories = ["height","score","subject"]

codes = [0,1,0,2,1,0]



my\_data = pd.Categorical.from\_codes(codes, categories)

my\_data

['height', 'score', 'height', 'subject', 'score', 'height']

Categories (3, object): ['height', 'score', 'subject']

一般分类转换是不会指定类别的顺序，我们可以通过一个参数ordered来指定有有意义的顺序：

['height', 'score', 'height', 'subject', 'score', 'height']

Categories (3, object): ['height' < 'score' < 'subject']

上面的输出结果height<socre，表明height的顺序在score的前面。如果某个分类实例未排序，我们使用as_ordered进行排序：

# my\_data未排序



my\_data.as\_ordered()

['height', 'score', 'height', 'subject', 'score', 'height']

Categories (3, object): ['height' < 'score' < 'subject']

Categorical对象计算

统计计算

np.random.seed(12345)



data1 = np.random.randn(100)

data1[:10]

array([-0.20470766,  0.47894334, -0.51943872, -0.5557303 ,  1.96578057,

        1.39340583,  0.09290788,  0.28174615,  0.76902257,  1.24643474])

# 计算data1的4分位分箱，并提取统计值



bins\_1 = pd.qcut(data1,4)

bins\_1

[(-0.717, 0.106], (0.106, 0.761], (-0.717, 0.106], (-0.717, 0.106], (0.761, 3.249], ..., (0.761, 3.249], (0.106, 0.761], (-2.371, -0.717], (0.106, 0.761], (0.106, 0.761]]

Length: 100

Categories (4, interval[float64]): [(-2.371, -0.717] < (-0.717, 0.106] < (0.106, 0.761] < (0.761, 3.249]]

可以看到上面的结果返回的值Categories对象

有4种取值情况
看到整个数据的最大值和最小值分别在头尾部

# 在上面的4分位数中使用四分位数名称：Q1\Q2\Q3\Q4



bins\_2 = pd.qcut(data1,4,labels=["Q1","Q2","Q3","Q4"])

bins\_2

['Q2', 'Q3', 'Q2', 'Q2', 'Q4', ..., 'Q4', 'Q3', 'Q1', 'Q3', 'Q3']

Length: 100

Categories (4, object): ['Q1' < 'Q2' < 'Q3' < 'Q4']

bins\_2.codes[:10]

array([1, 2, 1, 1, 3, 3, 1, 2, 3, 3], dtype=int8)

统计groupby来进行汇总统计：

bins\_2 = pd.Series(bins\_2, name="quartile")  # 取名为quartile

bins\_2

0     Q2

1     Q3

2     Q2

3     Q2

4     Q4

..

95    Q4

96    Q3

97    Q1

98    Q3

99    Q3

Name: quartile, Length: 100, dtype: category

Categories (4, object): ['Q1' < 'Q2' < 'Q3' < 'Q4']

下面的代码示例是对data1的数据通过bins_2进行分组，生成3个统计函数

results = pd.Series(data1).groupby(bins\_2).agg(["count","min","max"]).reset\_index()

results

results["quartile"] # quartile列保持的原始分类信息

0    Q1

1    Q2

2    Q3

3    Q4

Name: quartile, dtype: category

Categories (4, object): ['Q1' < 'Q2' < 'Q3' < 'Q4']

分类后内存减少

N = 10000000  # 千万的数据



data3 = pd.Series(np.random.randn(N))

labels3 = pd.Series(["foo", "bar", "baz", "quz"] \* (N // 4))

categories3 = labels3.astype("category")  # 分类转换

# 比较两个的内存



print("data3: ",data3.memory\_usage())

print("categories3: ",categories3.memory\_usage())

data3:  80000128

categories3:  10000332

分类方法

访问分类信息

分类方法主要是通过特殊属性cat来实现

data

0    语文

1    数学

2    英语

3    数学

4    英语

5    地理

6    语文

7    语文

dtype: object

cat\_data = data.astype("category")

cat\_data  # 分类数据

0    语文

1    数学

2    英语

3    数学

4    英语

5    地理

6    语文

7    语文

dtype: category

Categories (4, object): ['地理', '数学', '英语', '语文']

新增分类

当实际数据的类别超过了数据中观察到的4个数值：

actual\_cat = ["语文","数学","英语","地理","生物"]



cat\_data2 = cat\_data.cat.set\_categories(actual\_cat)

cat\_data2

上面的分类结果中就出现了"生物"

cat\_data.value\_counts()

语文    3

数学    2

英语    2

地理    1

dtype: int64

cat\_data2.value\_counts()  # 下面的结果中出现了“生物”

语文    3

数学    2

英语    2

地理    1

生物    0

dtype: int64

删除分类

cat\_data3 = cat\_data[cat\_data.isin(["语文","数学"])]  # 只筛选出语文和数学



cat\_data3

0    语文

1    数学

3    数学

6    语文

7    语文

dtype: category

Categories (4, object): ['地理', '数学', '英语', '语文']

cat\_data3.cat.remove\_unused\_categories()  # 删除未使用的分类

0    语文

1    数学

3    数学

6    语文

7    语文

dtype: category

Categories (2, object): ['数学', '语文']

创建虚拟变量

将分类数据转成虚拟变量，也就是one-hot编码（独热码）；产生的DataFrame中不同的类别都是它的一列，看下面的例子：

data4 = pd.Series(["col1","col2","col3","col4"] \* 2, dtype="category")

data4

0    col1

1    col2

2    col3

3    col4

4    col1

5    col2

6    col3

7    col4

dtype: category

Categories (4, object): ['col1', 'col2', 'col3', 'col4']

pd.get\_dummies(data4)  # get\_dummies：将一维的分类数据转换成一个包含虚拟变量的DataFrame

分类方法

add_categories：添加新的分类到尾部
as_ordered：类别排序
as_unordered：使类别无序
remove_categories：去除类别，将被移除的值置为null
remove_unused_categories：去除所有未出现的类别
rename_categories：替换分类名，不改变分类的数量
reorder_categories：类进行排序
set_categories：用指定的一组新类替换原来的类，可以添加或者删除

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

python

机器学习

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

python

机器学习