Python Pandas - Categorical Data
通常是实时的，数据包括重复的文本列。 性别，国家/地区和代码等功能始终重复。 这些是分类数据的示例。
分类变量只能采用有限且通常固定数量的可能值。 除固定长度外，分类数据可能有订单但不能执行数字操作。 分类是Pandas数据类型。
分类数据类型在以下情况下很有用 -
字符串变量，仅包含几个不同的值。 将这样的字符串变量转换为分类变量将节省一些内存。
变量的词法顺序与逻辑顺序（“一”，“二”，“三”）不同。 通过转换为分类并在类别上指定顺序，排序和最小/最大将使用逻辑顺序而不是词法顺序。
作为向其他python库发出的信号，该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）。
对象创建
可以通过多种方式创建分类对象。 以下描述了不同的方式 -
category
通过在pandas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
其output如下 -
0 a
1 b
2 c
3 a
dtype: category
Categories (3, object): [a, b, c]
传递给系列对象的元素数量是四个，但类别只有三个。 在输出类别中观察相同。
pd.Categorical
使用标准pandas分类构造函数，我们可以创建一个类别对象。
pandas.Categorical(values, categories, ordered)
我们来举个例子 -
import pandas as pd
cat = pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c'])
print cat
其output如下 -
[a, b, c, a, b, c]
Categories (3, object): [a, b, c]
我们有另一个例子 -
import pandas as pd
cat = cat=pd.Categorical(['a','b','c','a','b','c','d'], ['c', 'b', 'a'])
print cat
其output如下 -
[a, b, c, a, b, c, NaN]
Categories (3, object): [c, b, a]
这里，第二个参数表示类别。 因此，类别中不存在的任何值将被视为NaN 。
现在，看看下面的例子 -
import pandas as pd
cat = cat=pd.Categorical(['a','b','c','a','b','c','d'], ['c', 'b', 'a'],ordered=True)
print cat
其output如下 -
[a, b, c, a, b, c, NaN]
Categories (3, object): [c < b < a]
逻辑上，顺序意味着， a大于b且b大于c 。
描述 (Description)
对分类数据使用.describe()命令，我们得到type字符串的Series或DataFrame的类似输出。
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()
其output如下 -
cat s
count 3 3
unique 2 2
top c c
freq 2 2
count 3
unique 2
top c
freq 2
Name: cat, dtype: object
获取类别的属性
obj.cat.categories命令用于获取categories of the object的categories of the object 。
import pandas as pd
import numpy as np
s = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
print s.categories
其output如下 -
Index([u'b', u'a', u'c'], dtype='object')
obj.ordered命令用于获取对象的顺序。
import pandas as pd
import numpy as np
cat = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
print cat.ordered
其output如下 -
False
函数返回false因为我们没有指定任何顺序。
重命名类别
重命名类别是通过为series.cat.categories series.cat.categories属性分配新值来完成的。
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
其output如下 -
Index([u'Group a', u'Group b', u'Group c'], dtype='object')
初始类别[a,b,c]由对象的s.cat.categories属性更新。
附加新类别
使用Categorical.add.categories（）方法，可以追加新的类别。
import pandas as pd
s = pd.Series(["a","b","c","a"], dtype="category")
s = s.cat.add_categories([4])
print s.cat.categories
其output如下 -
Index([u'a', u'b', u'c', 4], dtype='object')
删除类别
使用Categorical.remove_categories()方法，可以删除不需要的类别。
import pandas as pd
s = pd.Series(["a","b","c","a"], dtype="category")
print ("Original object:")
print s
print ("After removal:")
print s.cat.remove_categories("a")
其output如下 -
Original object:
0 a
1 b
2 c
3 a
dtype: category
Categories (3, object): [a, b, c]
After removal:
0 NaN
1 b
2 c
3 NaN
dtype: category
Categories (2, object): [b, c]
分类数据的比较
在三种情况下，可以将分类数据与其他对象进行比较 -
将等式（==和！=）与类别列表对象（列表，系列，数组等）进行比较，其长度与分类数据相同。
所有比较（==，！=，>，> =，
将分类数据与标量进行所有比较。
看看下面的例子 -
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
其output如下 -
0 False
1 False
2 True
dtype: bool
