Python Pandas - 将某些列类型更改为类别
Posted
技术标签:
【中文标题】Python Pandas - 将某些列类型更改为类别【英文标题】：Python Pandas - Changing some column types to categories 【发布时间】：2015-05-08 18:29:08 【问题描述】：我已将以下 CSV 文件输入 iPython Notebook：
public = pd.read_csv("categories.csv")
public
我还将 pandas 导入为 pd，将 numpy 导入为 np，将 matplotlib.pyplot 导入为 plt。存在以下数据类型（以下是摘要 - 大约有 100 列）
In [36]: public.dtypes
Out[37]: parks object
playgrounds object
sports object
roading object
resident int64
children int64
我想将“公园”、“游乐场”、“运动”和“道路”更改为类别（它们中有李克特量表响应 - 但每列都有不同类型的李克特响应（例如，一个“非常同意” ，“同意”等，另一个有“非常重要”，“重要”等），其余为int64。
我能够创建一个单独的数据框 - public1 - 并使用以下代码将其中一列更改为类别类型：
public1 = 'parks': public.parks
public1 = public1['parks'].astype('category')
但是，当我尝试使用此代码一次更改一个数字时，我没有成功：
public1 = 'parks': public.parks,
'playgrounds': public.parks
public1 = public1['parks', 'playgrounds'].astype('category')
尽管如此，我不想创建一个仅包含类别列的单独数据框。我希望它们在原始数据框中进行更改。
我尝试了很多方法来实现这一点，然后在这里尝试了代码：Pandas: change data type of columns...
public[['parks', 'playgrounds', 'sports', 'roading']] = public[['parks', 'playgrounds', 'sports', 'roading']].astype('category')
并得到以下错误：
NotImplementedError: > 1 ndim Categorical are not supported at this time
有没有办法将“公园”、“游乐场”、“运动”、“道路”更改为类别（然后可以分析李克特量表响应），留下“居民”和“儿童”（以及 94其他列是字符串，int + floats）请保持不变？或者，有没有更好的方法来做到这一点？如果有人有任何建议和/或反馈，我将不胜感激....我的头发慢慢秃了！
非常感谢。
已编辑添加 - 我使用的是 Python 2.7。
【问题讨论】：
【参考方案1】：使用列表推导（避免循环），这会将所有具有 dtypes=object 的列转换为 dtypes=category。我将“df”作为数据框更通用。
df[[col for col in df.columns if df[col].dtypes == object]].astype('category', copy=False)
如果您出于某种原因想要避免“copy=False”参数（因为 python 文档告诉我们在使用该参数时要小心），您可以使用以下行。
df[[col for col in df.columns if df[col].dtypes == object]] = df[[col for col in df.columns if df[col].dtypes == object]].astype('category')
这是我在堆栈上的第一个答案，所以请善待。
【讨论】：
【参考方案2】：不需要循环，Pandas 现在可以直接做，只需传递一个你想转换的列列表，Pandas 就会全部转换。
cols = ['parks', 'playgrounds', 'sports', 'roading']
public[cols] = public[cols].astype('category')
df = pd.DataFrame('a': ['a', 'b', 'c'], 'b': ['c', 'd', 'e'])
>> a b
>> 0 a c
>> 1 b d
>> 2 c e
df.dtypes
>> a object
>> b object
>> dtype: object
df[df.columns] = df[df.columns].astype('category')
df.dtypes
>> a category
>> b category
>> dtype: object
【讨论】：
【参考方案3】：为了让事情变得更容易。不适用。没有地图。没有循环。
cols=data.select_dtypes(exclude='int').columns.to_list()
data[cols]=data[cols].astype('category')
【讨论】：
这就是我想要的。谢谢！【参考方案4】：Jupyter 笔记本
在我的例子中，我有很多我想将其转换为类别的对象的大数据框。
因此，我所做的是选择对象列并填充任何不适用的内容，然后将其保存在原始数据框中，如下所示
# Convert Object Columns to Categories
obj_df =df.select_dtypes(include=['object']).copy()
obj_df=obj_df.fillna('Missing')
for col in obj_df:
obj_df[col] = obj_df[col].astype('category')
df[obj_df.columns]=obj_df[obj_df.columns]
df.head()
我希望这可能是一个有用的资源，供以后参考
【讨论】：
【参考方案5】：我发现使用 for 循环效果很好。
for col in ['col_variable_name_1', 'col_variable_name_2', ect..]:
dataframe_name[col] = dataframe_name[col].astype(float)
【讨论】：
【参考方案6】：您可以使用pandas.DataFrame.apply 方法和lambda 表达式来解决这个问题。在您的示例中，您可以使用
df[['parks', 'playgrounds', 'sports']].apply(lambda x: x.astype('category'))
我不知道如何就地执行此操作，所以通常我会得到这样的结果：
df[df.select_dtypes(['object']).columns] = df.select_dtypes(['object']).apply(lambda x: x.astype('category'))
如果您不想选择所有特定数据类型，显然您可以用明确的列名替换 .select_dtypes（尽管在您的示例中，您似乎想要所有 object 类型）。
【讨论】：
优秀+1！真正的pythonic和简洁的解决方案。也很棒，因为它使用查询来获取所需的列，而不是将它们作为硬编码数组传递。 df = df.apply(lambda s: s.astype('category') if s.name in ['parks', 'playgrounds', 'sports'] else s)df[categoricals] = df[categoricals].apply(lambda x: x.astype('category'))【参考方案7】：
从 pandas 0.19.0 开始，What's New 描述 read_csv 支持直接解析 Categorical 列。
此答案仅适用于您从 read_csv 开始的情况，否则，我认为 unutbu 的答案仍然是最好的。
10,000 条记录的示例：
import pandas as pd
import numpy as np
# Generate random data, four category-like columns, two int columns
N=10000
categories = pd.DataFrame(
'parks' : np.random.choice(['strongly agree','agree', 'disagree'], size=N),
'playgrounds' : np.random.choice(['strongly agree','agree', 'disagree'], size=N),
'sports' : np.random.choice(['important', 'very important', 'not important'], size=N),
'roading' : np.random.choice(['important', 'very important', 'not important'], size=N),
'resident' : np.random.choice([1, 2, 3], size=N),
'children' : np.random.choice([0, 1, 2, 3], size=N)
)
categories.to_csv('categories_large.csv', index=False)
=19.0 不指定 dtype）
pd.read_csv('categories_large.csv').dtypes # inspect default dtypes
children int64
parks object
playgrounds object
resident int64
roading object
sports object
dtype: object
>=0.19.0
对于混合dtypes解析为Categorical可以通过在read_csv中传递一个字典dtype='colname' : 'category', ...来实现。
pd.read_csv('categories_large.csv', dtype='parks': 'category',
'playgrounds': 'category',
'sports': 'category',
'roading': 'category').dtypes
children int64
parks category
playgrounds category
resident int64
roading category
sports category
dtype: object
性能
如发行说明中所述，略有加速（本地 jupyter notebook）。
# unutbu's answer
%%timeit
public = pd.read_csv('categories_large.csv')
for col in ['parks', 'playgrounds', 'sports', 'roading']:
public[col] = public[col].astype('category')
10 loops, best of 3: 20.1 ms per loop
# parsed during read_csv
%%timeit
category_cols = item: 'category' for item in ['parks', 'playgrounds', 'sports', 'roading']
public = pd.read_csv('categories_large.csv', dtype=category_cols)
100 loops, best of 3: 14.3 ms per loop
【讨论】：
【参考方案8】：有时，您只需要使用 for 循环：
for col in ['parks', 'playgrounds', 'sports', 'roading']:
public[col] = public[col].astype('category')
【讨论】：
非常感谢@unutbu，这很有效。我不敢相信它是如此简单，我现在觉得自己很愚蠢！ 如果我遇到错误怎么办？ /Users/air/anaconda/lib/python2.7/site-packages/ipykernel/__main__.py:7：SettingWithCopyWarning：试图在数据帧的切片副本上设置值。尝试改用 .loc[row_indexer,col_indexer] = value 查看文档中的警告：pandas.pydata.org/pandas-docs/stable/… @JanSila：如果public 是另一个DataFrame 的子DataFrame 并且具有从另一个DataFrame复制的数据，您可能会得到UserWarning。出于谨慎考虑，Pandas 会发出 UserWarning 警告您修改 public 不会修改其他 DataFrame。如果修改其他 DataFrame 不是您打算做的或者不是问题，那么您可以随意忽略 UserWarning。如果您仍然想silence the UserWarning，请在进行public[col] = ... 形式的分配之前放置public.is_copy = False。
@unutbu 谢谢，我没有从文档中得到它。这很清楚。有点像 C++ 中的深拷贝和浅拷贝，对吧？我铸造了原始变量，然后复制。或者在制作子集时使用 .copy() 也可以，如果有人也面临这个问题。
@JanSila：是的，没错。 public.copy() 也可以，但请注意，如果 public 是一个大 DataFrame，public.copy() 可能比设置标志 public.is_copy = False 慢得多。 （此外，仅当 public 是副本时，UserWarning 才相关，因此具有讽刺意味的是，我们需要制作另一个副本只是为了使警告静音。）另一方面，我不认为 public.is_copy = False 是记录在案。我通过阅读源代码找到了它。因此，如果坚持使用记录在案的 API 是一个优先事项，您可能希望使用 public = public.copy()。以上是关于Python Pandas - 将某些列类型更改为类别的主要内容，如果未能解决你的问题，请参考以下文章
使用 MultiIndex 时，如何将此 Pandas 列类型保留为日期时间？