Pandas: convertir categorías a números
Supongamos que tengo un dataframe con países que va como:
cc | temp
US | 37.0
CA | 12.0
US | 35.0
AU | 20.0
Sé que hay un pd.get_dummies funciona para convertir los países a'codificaciones one-hot'. Sin embargo, deseo convertirlos a índices en su lugar de tal manera que obtendré cc_index = [1,2,1,3]
en su lugar.
Asumo que hay una forma más rápida que usar get_dummies junto con una cláusula numpy where como se muestra a continuación:
[np.where(x) for x in df.cc.get_dummies().values]
Esto es algo más fácil de hacer en R usando 'factores', así que espero que pandas tenga algo similar.
2 answers
Primero, cambie el tipo de la columna:
df.cc = pd.Categorical(df.cc)
Ahora los datos se ven similares pero se almacenan categóricamente. Para capturar los códigos de categoría:
df['code'] = df.cc.cat.codes
Ahora tienes:
cc temp code
0 US 37.0 2
1 CA 12.0 1
2 US 35.0 2
3 AU 20.0 0
Si no desea modificar su DataFrame sino simplemente obtener los códigos:
df.cc.astype('category').cat.codes
O utilice la columna categórica como índice:
df2 = pd.DataFrame(df.temp)
df2.index = pd.CategoricalIndex(df.cc)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2016-06-29 02:09:05
Si solo desea transformar su serie en identificadores enteros, puede usar pd.factorize
.
Tenga en cuenta que esta solución, a diferencia de pd.Categorical
, no se ordenará alfabéticamente. Así que el primer país será asignado 0
. Si desea comenzar desde 1
, puede agregar una 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 desea ordenar alfabéticamente, especifique sort=True
:
df['code'] = pd.factorize(df['cc'], sort=True)[0] + 1
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-07-12 18:07:52