Pandas: convertir des catégories en nombres
Supposons que j'ai un dataframe avec des pays qui va comme:
cc | temp
US | 37.0
CA | 12.0
US | 35.0
AU | 20.0
Je sais qu'il y a un pd.fonction get_dummies pour convertir les pays en 'encodages à chaud'. Cependant, je souhaite les convertir en indices à la place de sorte que je vais obtenir cc_index = [1,2,1,3]
à la place.
Je suppose qu'il existe un moyen plus rapide que d'utiliser les get_dummies avec une clause numpy where comme indiqué ci-dessous:
[np.where(x) for x in df.cc.get_dummies().values]
C'est un peu plus facile à faire dans R en utilisant 'factors' donc j'espère que les pandas ont quelque chose de semblable.
2 réponses
Tout d'abord, modifiez le type de la colonne:
df.cc = pd.Categorical(df.cc)
Maintenant, les données semblent similaires mais sont stockées catégoriquement. Pour capturer les codes de catégorie:
df['code'] = df.cc.cat.codes
Maintenant, vous avez:
cc temp code
0 US 37.0 2
1 CA 12.0 1
2 US 35.0 2
3 AU 20.0 0
Si vous ne voulez pas modifier votre DataFrame mais simplement obtenir les codes:
df.cc.astype('category').cat.codes
Ou utilisez la colonne catégorique comme index:
df2 = pd.DataFrame(df.temp)
df2.index = pd.CategoricalIndex(df.cc)
Si vous souhaitez seulement de transformer votre série en entier identifiants, vous pouvez utiliser pd.factorize
.
Notez que cette solution, contrairement à pd.Categorical
, ne sera pas triée par ordre alphabétique. Donc le premier pays sera attribué 0
. Si vous souhaitez démarrer à partir de 1
, vous pouvez ajouter une constante:
df['code'] = pd.factorize(df['cc'])[0] + 1
print(df)
cc temp code
0 US 37.0 1
1 CA 12.0 2
2 US 35.0 1
3 AU 20.0 3
Si vous souhaitez trier par ordre alphabétique, spécifiez sort=True
:
df['code'] = pd.factorize(df['cc'], sort=True)[0] + 1