Pandas: конвертировать категории в номера

Предположим, что у меня есть блок данных со странами, которые идут как:

cc | temp
US | 37.0
CA | 12.0
US | 35.0
AU | 20.0

Я знаю, что есть функция pd.get_dummies, чтобы преобразовать страны в "горячие кодировки". Однако я хочу вместо этого преобразовать их в индексы, чтобы вместо этого получить cc_index = [1,2,1,3].

Я предполагаю, что существует более быстрый способ, чем использование get_dummies вместе с предложением numpy where, как показано ниже:

[np.where(x) for x in df.cc.get_dummies().values]

Это немного проще сделать в R, используя "факторы", поэтому я надеюсь, что pandas имеет что-то подобное.

Ответ 1

Сначала измените тип столбца:

df.cc = pd.Categorical(df.cc)

Теперь данные выглядят одинаково, но сохраняются категорически. Чтобы зафиксировать коды категорий:

df['code'] = df.cc.cat.codes

Теперь у вас есть:

   cc  temp  code
0  US  37.0     2
1  CA  12.0     1
2  US  35.0     2
3  AU  20.0     0

Если вы не хотите изменять свой DataFrame, но просто получите коды:

df.cc.astype('category').cat.codes

Или используйте категориальный столбец как индекс:

df2 = pd.DataFrame(df.temp)
df2.index = pd.CategoricalIndex(df.cc)

Ответ 2

Если вы хотите преобразовать вашу серию в целочисленные идентификаторы, вы можете использовать pd.factorize.

Обратите внимание, что это решение, в отличие от pd.Categorical, не будет сортировать по алфавиту. Таким образом, первой стране будет присвоен 0. Если вы хотите начать с 1, вы можете добавить константу:

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

Если вы хотите отсортировать по алфавиту, укажите sort=True:

df['code'] = pd.factorize(df['cc'], sort=True)[0] + 1

Ответ 3

Если вы используете библиотеку sklearn вы можете использовать LabelEncoder. Как и pd.Categorical, входные строки перед кодированием сортируются в алфавитном порядке.

from sklearn.preprocessing import LabelEncoder

LE = LabelEncoder()
df['code'] = LE.fit_transform(df['cc'])

print(df)

   cc  temp  code
0  US  37.0     2
1  CA  12.0     1
2  US  35.0     2
3  AU  20.0     0