（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')
关于pandas中的categorical型数据还有很多的小技巧，因为不常用这里就不再赘述，感兴趣可以查看pandas的官方文档，以上就是本文的全部内容，如有笔误望指出！