本系列文章配套代码获取有以下三种途径：
-
可以在以下网站查看，该网站是使用JupyterLite搭建的web端Jupyter环境，因此无需在本地安装运行环境即可使用，首次运行浏览器需要下载一些配置文件（大约20M）：
https://returu.github.io/Python_Data_Analysis/lab/index.html-
也可以通过百度网盘获取，需要在本地配置代码运行环境，环境配置可以查看【Python基础】2.搭建Python开发环境：
链接：https://pan.baidu.com/s/1MYkeYeVAIRqbxezQECHwcA?pwd=mnsj提取码：mnsj
-
前往GitHub详情页面，单击 code 按钮，选择Download ZIP选项：
https://github.com/returu/Python_Data_Analysis根据《Python for Data Analysis 3rd Edition》翻译整理
—————————————————–
本节介绍 Pandas中的 Categorical 类型。使用它在某些 Pandas 操作中可以实现更好的性能和内存使用。
1.简介：
通常，表中的列可能包含一组不同值的重复实例。可以使用 unique 和 value_counts这样的函数，从数组中提取不同的值并分别计算它们的频率。
1>>> values = pd.Series(['apple', 'orange', 'apple','apple'] * 2)
2>>> values
30 apple
41 orange
52 apple
63 apple
74 apple
85 orange
96 apple
107 apple
11dtype: object
12
13>>> pd.unique(values)
14array(['apple', 'orange'], dtype=object)
15
16>>> pd.value_counts(values)
17apple 6
18orange 2
19dtype: int64
许多数据系统（用于数据仓库、统计计算或其他用途）已经开发出专门的方法来表示具有重复值的数据，以实现更高效的存储和计算。在数据仓库中，最佳实践是使用所谓的维度表（dimension tables），其中包含不同的值并将值存储为引用维度表的整数键。
1>>> values = pd.Series([0, 1, 0, 0] * 2)
2>>> values
30 0
41 1
52 0
63 0
74 0
85 1
96 0
107 0
11dtype: int64
12
13>>> dim = pd.Series(['apple', 'orange'])
14>>> dim
150 apple
161 orange
17dtype: object
我们可以使用 take方法来恢复原始的字符串 Series 。
1>>> dim.take(values)
20 apple
31 orange
40 apple
50 apple
60 apple
71 orange
80 apple
90 apple
10dtype: object
这种整数表示的方式称为分类（categorical ）或字典编码（dictionary-encoded）表示。不同值的数组可以称为数据的类别（categories）、字典（dictionary）或层级（levels ）。本文将使用术语分类（categorical ）和类别（categories）。引用类别的整数值称为类别代码（category codes）或简称为代码（codes）。
当你进行数据分析时，分类表示可以显著提高性能。你也可以在不修改代码的情况下对类别进行转换，以下是一些以相对较低的成本进行的转换示例：
-
重命名分类；
-
在不改变已有类别顺序的情况下添加一个新的类别。
Pandas 中有一个特殊的Categorical类型，用于保存使用基于整数的分类表示或编码的数据。这是一种流行的数据压缩技术，适用于多次出现相同值的数据，可以显着提高性能并减少内存使用，尤其是对于字符串数据。
下面考虑之前的示例：
1>>> fruits = ['apple', 'orange', 'apple', 'apple'] * 2
2
3>>> N = len(fruits)
4
5>>> rng = np.random.default_rng(seed=12345)
6
7>>> df = pd.DataFrame({'fruit': fruits,
8... 'basket_id': np.arange(N),
9... 'count': rng.integers(3, 15, size=N),
10... 'weight': rng.uniform(0, 4, size=N)},
11... columns=['basket_id', 'fruit', 'count', 'weight'])
12
13>>> df
14 basket_id fruit count weight
150 0 apple 11 1.564438
161 1 orange 5 1.331256
172 2 apple 12 2.393235
183 3 apple 6 0.746937
194 4 apple 5 2.691024
205 5 orange 12 3.767211
216 6 apple 10 0.992983
227 7 apple 11 3.795525
df[‘fruit’]是一个字符串数组，可以将其转换为categorical 类型。
1>>> df['fruit'] = df['fruit'].astype('category')
2
3>>> fruit_cat = df['fruit']
4>>> fruit_cat
50 apple
61 orange
72 apple
83 apple
94 apple
105 orange
116 apple
127 apple
13Name: fruit, dtype: category
14Categories (2, object): ['apple', 'orange']
fruit_cat的值现在是 pandas.Categorical 的一个实例，可以通过 .array 属性访问它。
1>>> fruit_cat.array
2['apple', 'orange', 'apple', 'apple', 'apple', 'orange', 'apple', 'apple']
3Categories (2, object): ['apple', 'orange']
4
5>>> c = fruit_cat.array
6>>> type(c)
7pandas.core.arrays.categorical.Categorical
Categorical对象具有 categories 和 codes 属性。
1>>> c.categories
2Index(['apple', 'orange'], dtype='object')
3
4>>> c.codes
5array([0, 1, 0, 0, 0, 1, 0, 0], dtype=int8)
获取代码和类别之间映射的一个有用技巧是：
1>>> dict(enumerate(c.categories))
2{0: 'apple', 1: 'orange'}
还可以直接从其他类型的 Python 序列创建 pandas.Categorical 。
1>>> my_categories = pd.Categorical(['foo', 'bar', 'baz', 'foo', 'bar'])
2>>> my_categories
3['foo', 'bar', 'baz', 'foo', 'bar']
4Categories (3, object): ['bar', 'baz', 'foo']
如果从其他来源获得了分类编码数据，则可以使用替代的 from_codes 构造函数。
1>>> categories = ['foo', 'bar', 'baz']
2
3>>> codes = [0, 1, 2, 0, 0, 1]
4
5>>> my_cats_2 = pd.Categorical.from_codes(codes, categories)
6>>> my_cats_2
7['foo', 'bar', 'baz', 'foo', 'foo', 'bar']
8Categories (3, object): ['foo', 'bar', 'baz']
除非显式指定，否则分类转换假定类别没有特定的顺序。因此，输入数据的顺序与类别数组（categories array）的顺序可能会有所不同。使用 from_codes 或任何其他构造函数时，可以为类别指定一个有意义的顺序：
1>>> ordered_cat = pd.Categorical.from_codes(codes, categories,ordered=True)
2>>> ordered_cat
3['foo', 'bar', 'baz', 'foo', 'foo', 'bar']
4Categories (3, object): ['foo' < 'bar' < 'baz']
上面的输出 [foo < bar < baz] 表示 'foo' 在排序中位于'bar' 之前，依此类推。可以使用 as_ordered对无序分类实例进行排序。
1>>> my_cats_2
2['foo', 'bar', 'baz', 'foo', 'foo', 'bar']
3Categories (3, object): ['foo', 'bar', 'baz']
4
5>>> my_cats_2.as_ordered()
6['foo', 'bar', 'baz', 'foo', 'foo', 'bar']
7Categories (3, object): ['foo' < 'bar' < 'baz']
最后一点，分类数据不必是字符串，分类数组可以包含任何不可变值类型。
本篇文章来源于微信公众号: 码农设计师
