利用 Pandas 進(jìn)行分類數(shù)據(jù)編碼的十種方式
↑?關(guān)注 + 星標(biāo)?，每天學(xué)Python新技能
后臺(tái)回復(fù)【大禮包】送你Python自學(xué)大禮包
最近在知乎上看到這樣一個(gè)問(wèn)題
題主表示pandas用起來(lái)很亂，事實(shí)真的如此嗎？本文就將先如何利用pandas來(lái)行數(shù)據(jù)轉(zhuǎn)換/編碼的十種方案，最后再回答這個(gè)問(wèn)題。
其實(shí)這個(gè)操作在機(jī)器學(xué)習(xí)中十分常見(jiàn)，很多算法都需要我們對(duì)分類特征進(jìn)行轉(zhuǎn)換（編碼），即根據(jù)某一列的值，新增（修改）一列。
為了方便理解，下面創(chuàng)建示例DataFrame
數(shù)值型數(shù)據(jù)
讓我們先來(lái)討論連續(xù)型數(shù)據(jù)的轉(zhuǎn)換，也就是根據(jù)Score列的值，來(lái)新增一列標(biāo)簽，即如果分?jǐn)?shù)大于90，則標(biāo)記為A，分?jǐn)?shù)在80-90標(biāo)記為B，以此類推。
自定義函數(shù) + 循環(huán)遍歷
首先當(dāng)然是最簡(jiǎn)單，最笨的方法，自己寫一個(gè)函數(shù)，并用循環(huán)遍歷，那肯定就是一個(gè)def加一個(gè)for
df1 = df.copy()
def myfun(x):
if x>90:
return 'A'
elif x>=80 and x<90:
return 'B'
elif x>=70 and x<80:
return 'C'
elif x>=60 and x<70:
return 'D'
else:
return 'E'
df1['Score_Label'] = None
for i in range(len(df1)):
df1.iloc[i,3] = myfun(df1.iloc[i,2])
這段代碼，相信所有人都能看懂，簡(jiǎn)單好想但比較麻煩
有沒(méi)有更簡(jiǎn)單的辦法呢？pandas當(dāng)然提供了很多高效的操作的函數(shù)，繼續(xù)往下看。
自定義函數(shù) + map
現(xiàn)在，可以使用map來(lái)干掉循環(huán)（雖然本質(zhì)上也是循環(huán)）
df2 = df.copy()
def mapfun(x):
if x>90:
return 'A'
elif x>=80 and x<90:
return 'B'
elif x>=70 and x<80:
return 'C'
elif x>=60 and x<70:
return 'D'
else:
return 'E'
df2['Score_Label'] = df2['Score'].map(mapfun)
結(jié)果是同樣的
自定義函數(shù) + apply
如果還想簡(jiǎn)潔代碼，可以使用自定義函數(shù) + apply來(lái)干掉自定義函數(shù)
df3 = df.copy()
df3['Score_Label'] = df3['Score'].apply(lambda x: 'A' if x > 90 else (
'B' if 90 > x >= 80 else ('C' if 80 > x >= 70 else ('D' if 70 > x >= 60 else 'E'))))
結(jié)果和上面是一致的，只不過(guò)這么寫容易被打。
使用 pd.cut
現(xiàn)在，讓我們繼續(xù)了解更高級(jí)的pandas函數(shù)，依舊是對(duì)?Score?進(jìn)行編碼，使用pd.cut，并指定劃分的區(qū)間后，可以直接幫你分好組
df4 = df.copy()
bins = [0, 59, 70, 80, 100]
df4['Score_Label'] = pd.cut(df4['Score'], bins)
也可以直接使用labels參數(shù)來(lái)修改對(duì)應(yīng)組的名稱，是不是方便多了
df4['Score_Label_new'] = pd.cut(df4['Score'], bins, labels=[
'low', 'middle', 'good', 'perfect'])
使用 sklearn 二值化
既然是和機(jī)器學(xué)習(xí)相關(guān)，sklearn肯定跑不掉，如果需要新增一列并判定成績(jī)是否及格，就可以使用Binarizer函數(shù)，代碼也是簡(jiǎn)潔好懂
df5 = df.copy()
binerize = Binarizer(threshold = 60)
trans = binerize.fit_transform(np.array(df1['Score']).reshape(-1,1))
df5['Score_Label'] = trans
文本型數(shù)據(jù)
下面介紹更常見(jiàn)的，對(duì)文本數(shù)據(jù)進(jìn)行轉(zhuǎn)換打標(biāo)簽。例如新增一列，將性別男、女分別標(biāo)記為0、1
使用 replace
首先介紹replace，但要注意的是，上面說(shuō)過(guò)的自定義函數(shù)相關(guān)方法依舊是可行的
df6 = df.copy()
df6['Sex_Label'] = df6['Sex'].replace(['Male','Female'],[0,1])
上面是對(duì)性別操作，因?yàn)橹挥心信?，所以可以手?dòng)指定0、1，但要是類別很多，也可以使用pd.value_counts()來(lái)自動(dòng)指定標(biāo)簽，例如對(duì)Course Name列分組
df6 = df.copy()
value = df6['Course Name'].value_counts()
value_map = dict((v, i) for i,v in enumerate(value.index))
df6['Course Name_Label'] = df6.replace({'Course Name':value_map})['Course Name']
使用map
額外強(qiáng)調(diào)的是，新增一列，一定要能夠想到map
df7 = df.copy()
Map = {elem:index for index,elem in enumerate(set(df["Course Name"]))}
df7['Course Name_Label'] = df7['Course Name'].map(Map)
使用astype
這個(gè)方法應(yīng)該很多人不知道，這就屬于上面提到的知乎問(wèn)題，能實(shí)現(xiàn)的方法太多了
df8 = df.copy()
value = df8['Course Name'].astype('category')
df8['Course Name_Label'] = value.cat.codes
使用 sklearn
同數(shù)值型一樣，這種機(jī)器學(xué)習(xí)中的經(jīng)典操作，sklearn一定有辦法，使用LabelEncoder可以對(duì)分類數(shù)據(jù)進(jìn)行編碼
from sklearn.preprocessing import LabelEncoder
df9 = df.copy()
le = LabelEncoder()
le.fit(df9['Sex'])
df9['Sex_Label'] = le.transform(df9['Sex'])
le.fit(df9['Course Name'])
df9['Course Name_Label'] = le.transform(df9['Course Name'])
一次性轉(zhuǎn)換兩列也是可以的
df9 = df.copy()
le = OrdinalEncoder()
le.fit(df9[['Sex','Course Name']])
df9[['Sex_Label','Course Name_Label']] = le.transform(df9[['Sex','Course Name']])
使用factorize
最后，再介紹一個(gè)小眾但好用的pandas方法，我們需要注意到，在上面的方法中，自動(dòng)生成的Course Name_Label列，雖然一個(gè)數(shù)據(jù)對(duì)應(yīng)一個(gè)語(yǔ)言，因?yàn)楸苊鈱懽远x函數(shù)或者字典，這樣可以自動(dòng)生成，所以大多是無(wú)序的。
如果我們希望它是有序的，也就是?Python?對(duì)應(yīng)?0，Java對(duì)應(yīng)1，除了自己指定，還有什么優(yōu)雅的辦法？這時(shí)可以使用factorize，它會(huì)根據(jù)出現(xiàn)順序進(jìn)行編碼
df10 = df.copy()
df10['Course Name_Label'] = pd.factorize(df10['Course Name'])[0]
結(jié)合匿名函數(shù)，我們可以做到對(duì)多列進(jìn)行有序編碼轉(zhuǎn)換
df10 = df.copy()
cat_columns = df10.select_dtypes(['object']).columns
df10[['Sex_Label', 'Course Name_Label']] = df10[cat_columns].apply(
lambda x: pd.factorize(x)[0])
?
總結(jié)
至此，我要介紹的十種pandas數(shù)據(jù)編碼的方法就分享完畢，代碼拿走修改變量名就能用，關(guān)于這個(gè)問(wèn)題如果你有更多的方法，可以在評(píng)論區(qū)進(jìn)行留言～
現(xiàn)在回到文章開(kāi)頭的問(wèn)題，如果你覺(jué)得pandas用起來(lái)很亂，說(shuō)明你可能還未對(duì)pandas有一個(gè)全面且徹底的了解。
其實(shí)就像本文介紹數(shù)據(jù)編碼轉(zhuǎn)換一樣，確實(shí)有很多方法可以實(shí)現(xiàn)顯得很亂，但學(xué)習(xí)pandas的正確姿勢(shì)就是應(yīng)該把它當(dāng)成字典來(lái)學(xué)，不必記住所有方法與細(xì)節(jié)，你只需知道有這么個(gè)函數(shù)能完成這樣操作，需要用時(shí)能想到，想到再來(lái)查就行。
