vender - python convert categorical variable to dummy

Pandas: convierte categorías a números

Question

Supongamos que tengo un marco de datos con países que dice:

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

Sé que hay una función pd.get_dummies para convertir los países a ''codificaciones de una sola vez''. Sin embargo, deseo convertirlos a índices en su lugar de modo que obtenga cc_index = [1,2,1,3] lugar.

Supongo 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 los pandas tengan algo similar.

Answer 1

Primero, cambie el tipo de 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 tu 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, simplemente obtenga los códigos:

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

O use la columna categórica como índice:

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

Answer 2

Si está utilizando la biblioteca sklearn , puede usar LabelEncoder . Al igual que pd.Categorical , las cadenas de entrada se ordenan alfabéticamente antes de la codificación.

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

Answer 3

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. Entonces, al primer país se le asignará 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