（数据科学学习手札68）pandas中的categorical类型及应用

一、简介

　　categorical是pandas中对应分类变量的一种数据类型，与R中的因子型变量比较相似，例如性别、血型等等用于表征类别的变量都可以用其来表示，本文就将针对categorical的相关内容及应用进行介绍。

二、创建与应用

2.1 基本特性和适用场景

　　在介绍具体方法之前，我们需要对pandas数据类型中的categorical类型有一个了解，categorical类似R中的因子型变量，可以进行排序操作，但不可以进行数值运算操作，其顺序在其被定义的时候一同确定，而不是按照数字字母词法排序的顺序，其适用场景有如下几个：

　　1、具有少数几种可能取值并存在大量重复的字符串字段，利用categorical类型对其转换后可有效节省内存

　　2、字段的排序规则特殊，不遵循词法顺序时，可以利用categorical类型对其转换后得到用户所需的排序规则、

2.2 创建方式

　　pandas中创建categorical型数据主要有如下几种方式：

　　1、对于Series数据结构，传入参数dtype='category'即可：

#直接创建categorical型Series
series_cat = pd.Series(['B','D','C','A'], dtype='category')
#显示Series信息
series_cat

　　可以看到，series_cat的类型为category，但是没有声明顺序，这时若对Series排序，实际上还是按照词法的顺序：

series_cat.sort_values()

　　2、对于DataFrame，在定义数据之后转换类型：

#创建数据框
df_cat = pd.DataFrame({
    'V1':['A','C','B','D']
})
#转换指定列的数据类型为category
df_cat['V1'] = df_cat['V1'].astype('category')
df_cat['V1']

　　3、利用pd.Categorical()生成类别型数据后转换为Series，或替换DataFrame中的内容：

categorical_ = pd.Categorical(['A','B','D','C'],
                              categories=['A','B','C','D'])
series_cat = pd.Series(categorical_)
series_cat

categorical_ = pd.Categorical(['A','B','D','C'],
                              categories=['A','B','C','D'])
df_cat = pd.DataFrame({
    'V1':categorical_
})
df_cat['V1']

　　而pd.Categorical()独立创建categorical数据时有两个新的特性，一是其通过参数categories定义类别时，若原数据中出现了categories参数中没有的数据，则会自动转换为pd.nan：

categorical_ = pd.Categorical(['A','B','D','C'],
                              categories=['B','C','D'])
df_cat = pd.DataFrame({
    'V1':categorical_
})
df_cat['V1']

　　另外pd.Categorical()还有一个bool型参数ordered，设置为True时则会按照categories中的顺序定义从小到大的范围：

categorical_ = pd.Categorical(['A','B','D','C'],
                              categories=['A','B','C','D'],
                             ordered=True)
df_cat = pd.DataFrame({
    'V1':categorical_
})
df_cat['V1']

　　4、利用pandas.api.types中的CategoricalDtype()对已有数据进行转换

　　通过CategoricalDtype()，我们可以结合astype()完成从其他类型数据向categorical数据的转换过程，利用CategoricalDtype()的参数categories、ordered，弥补.astype('category')的短板（实际上.astype('category')等价于.astype(CategoricalDtype(categories=None, ordered=False))）:

from pandas.api.types import CategoricalDtype
#创建数据框
df_cat = pd.DataFrame({
    'V1':['A','C','B','D']
})
cat = CategoricalDtype(categories=['A','C','B'],
                      ordered=True)
df_cat['V1'] = df_cat['V1'].astype(cat)
df_cat['V1']

2.3 应用

　　categorical型数据主要应用于自定义排序，如下例，我们创建了一个包含字符型变量class和数值型变量value的数据框：

import numpy as np

df = pd.DataFrame({
    'class':np.random.choice(['A','B','C','D'],10),
    'value':np.random.uniform(0,10,10)
})
df.head()

　　如果按照class列排序得到的结果是按照字母自然顺序：

df.sort_values('class')

　　而通过将class列修改为自己定义的排序方式则得到的结果如下：

from pandas.api.types import CategoricalDtype
cat = CategoricalDtype(categories=['B','D','A','C'],
                      ordered=True)
df['class'] = df['class'].astype(cat)
df.sort_values('class')

　　若想要临时修改排序规则，可以使用.cat.reorder_categories()方法：

df['class'].cat.reorder_categories(['D','B','C','A'],
                                  ordered=True,
                                  inplace=True)#iinplace参数设置为True使得变动覆盖原数据
df.sort_values('class')