Pandas: convierte categorías en números
Supongamos que tengo un marco de datos con países que dice así:
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 únicas'. Sin embargo, deseo convertirlos en índices de modo que los obtenga cc_index = [1,2,1,3].
Supongo que existe una manera más rápida que usar get_dummies junto con una cláusula numpy donde 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 pandas tenga algo similar.
Primero, cambie el tipo de columna:
df.cc = pd.Categorical(df.cc)
Ahora los datos parecen similares pero se almacenan categóricamente. Para capturar los códigos de categoría:
df['code'] = df.cc.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 pero simplemente obtener los códigos:
df.cc.astype('category').codes
O utilice la columna categórica como índice:
df2 = pd.DataFrame(df.temp)
df2.index = pd.CategoricalIndex(df.cc)
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 ordenará alfabéticamente. Entonces se asignará el primer país 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
