何时使用类别而不是对象？

Posted 2023-03-11

【中文标题】何时使用类别而不是对象？

【英文标题】：When to use Category rather than Object?

【发布时间】：2015-08-16 14:02:21

【问题描述】：

我有一个包含 40 个特征的 CSV 数据集，我正在使用 Pandas 处理这些特征。 7 个特征是连续的 (int32)，其余的都是分类的。

我的问题是：

我应该使用 Pandas 的dtype('category') 来作为分类特征，还是可以让默认的dtype('object')？

【问题讨论】：

没有理由不在这里使用类别。如果字符串很长，也会节省大量空间/内存（您可以检查 info() 或 memory_usage() btw。dtype 中的 't' 也不大写。

【参考方案1】：

当您希望利用大量重复时使用一个类别。

例如，假设我想要一个大型交易表的每个交易所的总规模。使用默认的object 是完全合理的：

In [6]: %timeit trades.groupby('exch')['size'].sum()
1000 loops, best of 3: 1.25 ms per loop

但由于可能的交换列表非常少，并且由于有很多重复，我可以使用 category 来加快速度：

In [7]: trades['exch'] = trades['exch'].astype('category')

In [8]: %timeit trades.groupby('exch')['size'].sum()
1000 loops, best of 3: 702 µs per loop

---

请注意，类别实际上是一种动态枚举。如果可能值的范围是固定且有限的，则它们最有用。

【讨论】：

感谢您的回答！所以分类类型更适合内存优化。

使用分类的另一个原因是它们可以为您的分类提供（不是默认的）排序。例如。也许['小'，'中'，'大']。然后你可以按这个排序！请参阅文档here

【参考方案2】：

Pandas 文档中有一个 concise section 说明何时使用 categoricaldata 类型：

分类数据类型在以下情况下很有用：

仅由几个不同值组成的字符串变量。 将这样的字符串变量转换为分类变量将节省 一些内存，请参阅here。 变量的词法顺序不同 作为逻辑顺序（“一”、“二”、“三”）。通过转换为 分类并指定类别的顺序，排序和 min/max 将使用逻辑顺序而不是词法顺序，请参阅 here。 作为向其他 Python 库发出的信号，表明该列应该是 被视为分类变量（例如，使用合适的统计 方法或绘图类型）。