Python pandas.Categorical用法及代码示例

用法: class pandas.Categorical(values, categories=None, ordered=None, dtype=None, fastpath=False, copy=True)

以经典 R /S-plus 方式表示分类变量。

Categoricals 只能采用有限且通常是固定数量的可能值 (categories)。与统计分类变量相比，Categorical 可能有顺序，但不能进行数值运算(加法、除法等)。

Categorical 的所有值都在 categories 或 np.nan 中。在 categories 之外分配值将引发 ValueError 。顺序由 categories 的顺序定义，而不是值的词法顺序。

参数：

values：list-like

分类的值。如果给定类别，则不在类别中的值将替换为 NaN。

categories：Index-like(唯一)，可选

此类别的唯一类别。如果未给出，则假定类别是values 的唯一值(如果可能，按它们出现的顺序排序)。

ordered：布尔值，默认为 False

此分类是否被视为有序分类。如果为 True，则将对生成的分类进行排序。排序后的分类尊重其categories 属性的顺序(如果提供，该属性又是categories 参数)。

dtype：分类类型

用于此分类的 CategoricalDtype 的实例。

抛出：

ValueError

如果类别不验证。

TypeError

如果给出了明确的 ordered=True 但没有给出 categories 并且 values 是不可排序的。

注意：

有关更多信息，请参阅用户指南。

例子：

>>> pd.Categorical([1, 2, 3, 1, 2, 3])
[1, 2, 3, 1, 2, 3]
Categories (3, int64):[1, 2, 3]

>>> pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c'])
['a', 'b', 'c', 'a', 'b', 'c']
Categories (3, object):['a', 'b', 'c']

缺失值不作为一个类别包括在内。

>>> c = pd.Categorical([1, 2, 3, 1, 2, 3, np.nan])
>>> c
[1, 2, 3, 1, 2, 3, NaN]
Categories (3, int64):[1, 2, 3]

但是，它们的存在在 codes 属性中由代码 -1 指示。

>>> c.codes
array([ 0,  1,  2,  0,  1,  2, -1], dtype=int8)

Ordered Categoricals 可以根据类别的自定义顺序进行排序，可以有最小值和最大值。

>>> c = pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c'], ordered=True,
...                    categories=['c', 'b', 'a'])
>>> c
['a', 'b', 'c', 'a', 'b', 'c']
Categories (3, object):['c' < 'b' < 'a']
>>> c.min()
'c'

相关用法

注：本文由纯净天空筛选整理自pandas.pydata.org大神的英文原创作品 pandas.Categorical。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。