查看原文
其他

pandas分类数据处理大全

东哥起飞 Python数据科学
2024-08-24
肝了一个月的pandas小册子终于出炉了,各种骚操作拉满的进阶玩法、8个pandas数据分析实战项目,详情戳👉pandas进阶宝典

本次来介绍关于分类数据处理的常用方法。


categorypandas的一种分类的定类数据类型。和文本数据.str.<methond>一样,它也有访问器功能.cat.<method>

本文将介绍:
  • 什么是分类数据?
  • 分类数据cat的处理方法
  • 为什么要使用分类数据?
  • 分类数据cat使用时的一些坑

什么是分类数据?

分类数据表达数值具有某种属性、类型和特征,也是我们理解的定类数据。比如,人口按性别分为男和女,按年龄分为老、中、少。
在计算机语言里,我们通常会用数字来表示,比如用1代表男,0代表女,但是0和1之间并没有大小关系,pandas中用category来表示分类数据。
创建分类数据
创建数据时可以用dtpye来指定类型,比如:
s = pd.Series(['a','b','c'],dtype='category')
s
------
0    a
1    b
2    c
dtype: category
Categories (3, object): ['a''b''c']
自动创建分类数据
在某些操作情况下会自动转变为分类类型,比如用cut进行分箱操作返回的分箱就是分类类型。
pd.Series(pd.cut(range(1,10,2),3))
-----------------
0    (0.9923.667]
1    (0.9923.667]
2    (3.6676.333]
3      (6.3339.0]
4      (6.3339.0]
dtype: category
Categories (3, interval[float64]): [(0.9923.667] < (3.6676.333] < (6.3339.0]]
分类数据类型转换
直接用astype方法转换即可,如:
s = pd.Series(['a','b','c'])
s
------
0    a
1    b
2    c
dtype: object

s.astype('category')
------
0    a
1    b
2    c
dtype: category
Categories (3, object): ['a''b''c']
自定义分类数据
除此之外,还可以通过CategoricalDtype自定义分类数据,自定义的类型适用于以上全部方法。
比如下面自定义了abc3个分类,并指定了顺序。然后就可以通过dtype指定自定义的数据类型了,d不在定义类型abc中,显示为空。
from pandas.api.types import CategoricalDtype
# 自定义分类数据,有序
c= CategoricalDtype(categories=['a','b','c'],ordered=True)
pd.Series(list('abcabd'),dtype=c)
--------
0      a
1      b
2      c
3      a
4      b
5    NaN
dtype: category
Categories (3, object): ['a' < 'b' < 'c']

分类数据的处理方法

修改分类

通过.cat.rename_categories()修改分类的名称。
s = pd.Series(['a','b','c'],dtype='category')
# 指定分类为x、y、z
s.cat.categories = ['x','y','z']
0    x
1    y
2    z
dtype: category
Categories (3, object): ['x''y''z']
# 列表形式:修改分类类型为mno
s.cat.rename_categories(['m','n','o'])
# 字典形式:
s.cat.rename_categories({'x':'m','y':'n','z':'o'})
0    m
1    n
2    o
dtype: category
Categories (3, object): ['m''n''o']

追加新分类

通过.cat.add_categories()追加分类。
s.cat.add_categories(['r','t'])
0    x
1    y
2    z
dtype: category
Categories (5, object): ['x''y''z''r''t']

删除分类

同理,也可以删除分类。有两种方法remove_categoriesremove_unused_categories
# 删除指定的分类r和t
s.cat.remove_categories(['r','t'])
# 自动删除未使用的分类
s.cat.remove_unused_categories()

顺序

默认情况下分类数据不自动排序,可以通过前面CategoricalDtype设置顺序,或者通过.cat.as_ordered设置。
# 有序设置
s.cat.as_ordered()
0    x
1    y
2    z
dtype: category
Categories (3, object): ['x' < 'y' < 'z']
# 无序设置
s.cat.as_unordered()
# 重新排序
s.cat.reorder_categories(['y','x','z'], ordered=True)

为什么使用category数据类型?

总结一下,使用category有以下一些好处:
  • 内存使用情况:对于重复值很多的字符串列,category可以大大减少将数据存储在内存中所需的内存量;
  • 运行性能:进行了一些优化,可以提高某些操作的执行速度
  • 算法库的适用:在某些情况下,一些算法模型需要category这种类型。比如,我们知道lightgbm相对于xgboost优化的一个点就是可以处理分类变量,而在构建模型时我们需要指定哪些列是分类变量,并将它们调整为category作为超参数传给模型。
一个简单的例子。
df_size = 100_000
df1 = pd.DataFrame(
    {
        "float_1": np.random.rand(df_size),
        "species": np.random.choice(["cat""dog""ape""gorilla"], size=df_size),
    }
)
df1_cat = df1.astype({"species""category"})
创建了两个DataFrame,其中df1包含了species并且为object类型,df1_cat复制了df1,但指定了species为category类型。
>> df1.memory_usage(deep=True)
Index          128
float_1     800000
species    6100448
dtype: int64
就内存使用而言,我们可以直接看到包含字符串的列的成本是多高。species列的字符串大约占用了6MB,如果这些字符串较长,则将会更多。
>> df1_cat.memory_usage(deep=True)
Index         128
float_1    800000
species    100416
dtype: int64
再看转换为category类别后的内存使用情况。有了相当大的改进,使用的内存减少了大约60倍。没有对比,就没有伤害。
这就是使用category的其中一个好处。

使用category的一些坑!

但爱之深,责之切呀,category有很多坑要注意,这里东哥总结出以下几点,供大家参考。

1、category列的操作

好吧,这部分应该才是大家较为关心的,因为经常会遇到一些莫名其妙的报错或者感觉哪里不对,又不知道问题出在哪里。
首先,说明一下:使用category的时候需要格外小心,因为如果姿势不对,它就很可能变回object 。而变回object的结果就是,会降低代码的性能(因为强制转换类型成本很高),并会消耗内存。
日常面对category类型的数据,我们肯定是要对其进行操作的,比如做一些转换。下面看一个例子,我们要分别对categoryobject类型进行同样的字符串大写操作,使用accessor的.str方法。
在非category字符串上:
>> %timeit df1["species"].str.upper()
25.6 ms ± 2.07 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
在category字符串上:
>> %timeit df1_cat["species"].str.upper()
1.85 ms ± 41.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
结果很明显了。在这种情况下,速度提高了大约14倍(因为内部优化会让.str.upper()仅对分类的唯一类别值调用一次,然后根据结果构造一个seires,而不是对结果中的每个值都去调用一次)。
怎么理解?假设现有一个列叫animal,其类别有catdog两种,假设样本为10000个,4000个cat和6000个dog。那么如果我用对category本身处理,意味着我只分别对catdog两种类别处理一次,一共两次就解决。如果对每个值处理,那就需要样本数量10000次的处理。
尽管从时间上有了一些优化,然而这种方法的使用也是有一些问题的。。。看一下内存使用情况。
>> df1_cat["species"].str.upper().memory_usage(deep=True)
6100576
意外的发现category类型丢了。。结果竟是一个object类型,数据压缩的效果也没了,现在的结果再次回到刚才的6MB内存占用。
这是因为使用str会直接让原本的category类型强制转换为object,所以内存占用又回去了,这是我为什么最开始说要格外小心。
解决方法就是:直接对category本身操作而不是对它的值操作。 要直接使用cat的方法来完成转换操作,如下。
%timeit df1_cat["species"].cat.rename_categories(str.upper)
239 µs ± 13.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
可以看到,这个速度就更快了,因为省去了将category类别转换为object的时间,并且内存占用也非常少。因此,这才是最优的做法。

2、与category列的合并

还是上面那个例子,但是这次增加了habitat一列,并且species中增加了sanke
df2 = pd.DataFrame(
    {
        "species": ["cat""dog""ape""gorilla""snake"],
        "habitat": ["house""house""jungle""jungle""jungle"],
    }
)
df2_cat = df2.astype({"species""category""habitat""category"})
和前面一样,创建该数据集的一个category版本,并创建了一个带有object字符串的版本。如果将两个object列合并在一起的,没什么意思,因为大家都知道会发生什么,object+ object= object而已。
把object列合并到category列上
接着上面的例子。
>> df1.merge(df2_cat, on="species").dtypes
float_1     float64
species      object
habitat    category
dtype: object
左边的df1species列为object,右边的df2_catspecies列为category。我们可以看到,当我们合并时,在结果中的合并列会得到category+ object= object
这显然不行了,又回到原来那样了。我们再试下其他情况。
两个category列的合并
>> df1_cat.merge(df2_cat, on="species").dtypes
float_1     float64
species      object
habitat    category
dtype: object
结果是:category+ category= object?
有点想打人了,但是别急,我们看看为啥。
在合并中,为了保存分类类型,两个category类型必须是完全相同的。 这个与pandas中的其他数据类型略有不同,例如所有float64列都具有相同的数据类型,就没有什么区分。
而当我们讨论category数据类型时,该数据类型实际上是由该特定类别中存在的一组值来描述的,因此一个类别包含["cat", "dog", "mouse"]与类别包含["cheese", "milk", "eggs"]是不一样的。上面的例子之所以没成功,是因为多加了一个snake
因此,我们可以得出结论:
  • category1+ category2=object

  • category1+ category1=category1

因此,解决办法就是:两个category类别一模一样,让其中一个等于另外一个
>> df1_cat.astype({"species": df2_cat["species"].dtype}).merge(
       df2_cat, on="species"
   ).dtypes

float_1     float64
species    category
habitat    category
dtype: object

3、category列的分组

用category类列分组时,一旦误操作就会发生意外,结果是Dataframe会被填成空值,还有可能直接跑死。。
当对category列分组时,默认情况下,即使category类别的各个类不存在值,也会对每个类进行分组。
一个例子来说明。
habitat_df = (
    df1_cat.astype({"species": df2_cat["species"].dtype})
           .merge(df2_cat, on="species")
)
house_animals_df = habitat_df.loc[habitat_df["habitat"] == "house"]
这里采用habitat_df,从上面例子得到的,筛选habitathouse的,只有dogcathouse,看下面分组结果。
>> house_animals_df.groupby("species")["float_1"].mean()
species
ape             NaN
cat        0.501507
dog        0.501023
gorilla         NaN
snake           NaN
Name: float_1, dtype: float64
groupby中得到了一堆空值。默认情况下,当按category列分组时,即使数据不存在,pandas也会为该类别中的每个值返回结果。略坑,如果数据类型包含很多不存在的,尤其是在多个不同的category列上进行分组,将会极其损害性能。
因此,解决办法是:可以传递observed=Truegroupby调用中,这确保了我们仅获取数据中有值的组。
>> house_animals_df.groupby("species", observed=True)["float_1"].mean()
species
cat    0.501507
dog    0.501023
Name: float_1, dtype: float64

4、category列的索引

仍以上面例子举例,使用groupby-unstack实现了一个交叉表,species作为列,habitat作为行,均为category类型。
>> species_df = habitat_df.groupby(["habitat""species"], observed=True)["float_1"].mean().unstack()
>> species_df

species       cat       ape       dog   gorilla
habitat                                        
house    0.501507       NaN  0.501023       NaN
jungle        NaN  0.501284       NaN  0.501108
这好像看似也没什么毛病,我们继续往下看。为这个交叉表添加一个新列new_col,值为1。
>> species_df["new_col"] = 1
TypeError: 'fill_value=new_col' is not present in this Categorical's categories
正常情况下,上面这段代码是完全可以的,但这里报错了,为什么?
原因是specieshabitat现在均为category类型。使用.unstack()会把species索引移到列索引中(类似pivot交叉表的操作)。而当添加的新列不在species的分类索引中时,就会报错。
总结一下,pandascategory类型非常有用,可以带来一些良好的性能优势。但是它也很娇气,使用过程中要尤为小心,确保category类型在整个流程中保持不变,避免变回object。本文介绍的4个点注意点:
  • category列的变换操作:直接对category本身操作而不是对它的值操作。这样可以保留分类性质并提高性能。

  • category列的合并:合并时注意,要保留category类型,且每个dataframe的合并列中的分类类型必须完全匹配。

  • category列的分组:默认情况下,获得数据类型中每个值的结果,即使数据中不存在该结果。可以通过设置observed=True调整。

  • category列的索引:当索引为category类型的时候,注意是否可能与类别变量发生奇怪的交互作用。

以上就是本次分享内容。

推荐阅读

👉pandas进阶宝典

👉数据挖掘实战项目

👉机器学习入门

继续滑动看下一个
Python数据科学
向上滑动看下一个

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存