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.

Author: jpp, 2016-06-29
Source

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)
 54
Author: John Zwinck,
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
 7
Author: jpp,
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