Python数据分析NumPy和pandas（二十三、数据清洗与预处理之五：pandas的分类类型数据）

pandas的分类类型数据（Categorical Data）

这次学习使用Categorical Data，在某些 pandas 操作中使用分类类型能实现更好的性能和减少内存使用。另外还学习一些工具，这些工具有助于在统计和机器学习应用程序中使用分类数据。

一.背景

通常，表中的列会包含一组具有非重复值的同类型实例，之前学习的 unique 和 value_counts 函数，它们使我们能够从数组中提取不同的值并分别计算它们的频率。

import numpy as np
import pandas as pd

np.random.seed(12345)
# []*2 表示重复两次
values = pd.Series(['apple', 'orange', 'apple', 'apple'] * 2)
print(values)

# 使用unique()对values去重，输出一个列表
print(pd.unique(values))

# 使用value_counts()对values中出现的不同值计算出现的频次（计数），输出一个Series
print(values.value_counts())

输出结果：

0     apple
1    orange
2     apple
3     apple
4     apple
5    orange
6     apple
7     apple
dtype: object
['apple' 'orange']
apple     6
orange    2
Name: count, dtype: int64

许多数据系统（用于数据仓库、统计计算或其他用途）已经开发了专门的方法来表示具有重复值的数据，以实现更高效的存储和计算。在数据仓库中，最佳实践是使用包含不同值的所谓维度表，并将主要观测值存储为引用维度表的整数键：

import numpy as np
import pandas as pd

# []*2 表示重复两次
values = pd.Series([0, 1, 0, 0] * 2)
dim = pd.Series(['apple', 'orange'])

# 可以使用 take() 方法恢复原来的 Series 字符串。
# 原来的Series字符串：pd.Series(['apple', 'orange', 'apple', 'apple'] * 2)
val_str = dim.take(values)

print(values)
print(dim)
print(val_str)

 输出结果：

0    0
1    1
2    0
3    0
4    0
5    1
6    0
7    0
dtype: int64
0     apple
1    orange
dtype: object
0     apple
1    orange
0     apple
0     apple
0     apple
1    orange
0     apple
0     apple
dtype: object

这种整数表示形式称为 categorical 或 dictionary-encoded 表示形式（例如：上面的apple用0表示，orange用1表示）。不同值的数组可以称为数据的类别、字典或级别。这里，我们将使用分类和类别（categorical 和 categories）这两个术语。引用类别的整数值称为类别代码或简称代码。

在执行分析时，分类表示可以显著提高性能（简单理解：就是用整数值代替原值分析，类似于上面的示例用0代表apple，1代表orange）。另外还可以对类别执行转换，同时保持代码不变。

可以以相对较低的成本进行的一些示例转换包括：重命名类别；添加新类别而不更改现有类别的顺序或位置。

二.pandas 中的分类扩展类型

pandas 具有特殊的 Categorical 扩展类型，用于保存使用基于整数的 categorical 表示或编码的数据。这是一种流行的数据压缩技术，适用于多次出现相似值的数据，并且可以以较低的内存使用量提供明显更快的性能，尤其是对于字符串数据。看下面的代码示例：

import numpy as np
import pandas as pd

# []*2 表示重复两次
fruits = ['apple', 'orange', 'apple', 'apple'] * 2
N = len(fruits)

# 设置一个种子，为了每次运行获取相同的随机值
rng = np.random.default_rng(seed=12345)

df = pd.DataFrame({'fruit': fruits, 
                   'basket_id': np.arange(N), 
                   'count': rng.integers(3, 15, size=N), 
                   'weight': rng.uniform(0, 4, size=N)}, 
                  columns=['basket_id', 'fruit', 'count', 'weight'])
print(df)

# df['fruit'] 是一个 Python 字符串对象的数组。我们可以通过如下调用将其转换为 categorical：
fruit_cat = df['fruit'].astype('category')
print(fruit_cat)

df输出：

fruit_cat输出：

0 apple

1 orange

2 apple

3 apple

4 apple

5 orange

6 apple

7 apple

Name: fruit, dtype: category Categories (2, object): ['apple', 'orange'] 

fruit_cat 的值现在是 pandas.Categorical 的实例，可以通过 .array 属性访问：

import numpy as np
import pandas as pd

# []*2 表示重复两次
fruits = ['apple', 'orange', 'apple', 'apple'] * 2
N = len(fruits)

# 设置一个种子，为了每次运行获取相同的随机值
rng = np.random.default_rng(seed=12345)

df = pd.DataFrame({'fruit': fruits, 
                   'basket_id': np.arange(N), 
                   'count': rng.integers(3, 15, size=N), 
                   'weight': rng.uniform(0, 4, size=N)}, 
                  columns=['basket_id', 'fruit', 'count', 'weight'])
print(df)

# df['fruit'] 是一个 Python 字符串对象的数组。我们可以通过如下调用将其转换为 categorical：
fruit_cat = df['fruit'].astype('category')
print(fruit_cat)

c = fruit_cat.array
print(type(c))

type(c)输出：

pandas.core.arrays.categorical.Categorical

Categorical 对象具有 categories 和 codes 属性：

import numpy as np
import pandas as pd

# []*2 表示重复两次
fruits = ['apple', 'orange', 'apple', 'apple'] * 2
N = len(fruits)

# 设置一个种子，为了每次运行获取相同的随机值
rng = np.random.default_rng(seed=12345)

df = pd.DataFrame({'fruit': fruits, 
                   'basket_id': np.arange(N), 
                   'count': rng.integers(3, 15, size=N), 
                   'weight': rng.uniform(0, 4, size=N)}, 
                  columns=['basket_id', 'fruit', 'count', 'weight'])
print(df)

# df['fruit'] 是一个 Python 字符串对象的数组。我们可以通过如下调用将其转换为 categorical：
fruit_cat = df['fruit'].astype('category')
print(fruit_cat)

c = fruit_cat.array
print(type(c))

# Categorical 对象的 categories 和 codes 属性
print(c.categories)
print(c.codes)

c.categories 输出：

Index(['apple', 'orange'], dtype='object')

c.codes 输出：

array([0, 1, 0, 0, 0, 1, 0, 0], dtype=int8)

使用 categories 访问器会更方便，稍后在 “分类方法” 中学习使用。

在代码和类别之间进行映射的一个非常使用技巧是使用dict和enumerate，例如：

dict(enumerate(c.categories))

输出：{0: 'apple', 1: 'orange'}

可以将转换后的结果列赋值给DataFrame的相应列，使其转换为分类列；还可以用其他的Python序列类型直接创建 pandass.Categorical列。例如下面代码中的后5行：

import numpy as np
import pandas as pd

# []*2 表示重复两次
fruits = ['apple', 'orange', 'apple', 'apple'] * 2
N = len(fruits)

# 设置一个种子，为了每次运行获取相同的随机值
rng = np.random.default_rng(seed=12345)

df = pd.DataFrame({'fruit': fruits, 
                   'basket_id': np.arange(N), 
                   'count': rng.integers(3, 15, size=N), 
                   'weight': rng.uniform(0, 4, size=N)}, 
                  columns=['basket_id', 'fruit', 'count', 'weight'])
print(df)

# df['fruit'] 是一个 Python 字符串对象的数组。我们可以通过如下调用将其转换为 categorical：
fruit_cat = df['fruit'].astype('category')
print(fruit_cat)

c = fruit_cat.array
print(type(c))

# Categorical 对象的 categories 和 codes 属性
print(c.categories)
print(c.codes)

dict(enumerate(c.categories))

df['fruit'] = df['fruit'].astype('category')
print(df['fruit'])

my_categories = pd.Categorical(['foo', 'bar', 'baz', 'foo', 'bar'])
print(my_categories)

print(df['fruit']) 输出：

0     apple
1    orange
2     apple
3     apple
4     apple
5    orange
6     apple
7     apple
Name: fruit, dtype: category
Categories (2, object): ['apple', 'orange']

print(my_categories) 输出：

['foo', 'bar', 'baz', 'foo', 'bar']
Categories (3, object): ['bar', 'baz', 'foo']

如果从其他来源获取了分类编码数据，则可以使用替代 from_codes 构造函数，例如：

import numpy as np
import pandas as pd

categories = ['foo', 'bar', 'baz']
codes = [0, 1, 2, 0, 0, 1]
my_cats_2 = pd.Categorical.from_codes(codes, categories)
print(my_cats_2)

 输出：

['foo', 'bar', 'baz', 'foo', 'foo', 'bar']

Categories (3, object): ['foo', 'bar', 'baz']

除非明确指定，否则分类转换不假定类别的特定排序。因此，categories 数组的顺序可能会有所不同，具体取决于输入数据的顺序。但使用 from_codes 或任何其他构造函数时，可以指示类别有意义的排序：

import numpy as np
import pandas as pd

categories = ['foo', 'bar', 'baz']
codes = [0, 1, 2, 0, 0, 1]
ordered_cat = pd.Categorical.from_codes(codes, categories, ordered=True)
print(ordered_cat)

输出：

['foo', 'bar', 'baz', 'foo', 'foo', 'bar']
Categories (3, object): ['foo' < 'bar' < 'baz']

输出 [foo < bar < baz] 表示在排序中 'foo' 在 'bar' 之前，依此类推。另外，可以使用 as_ordered 对无序分类实例进行排序：

import numpy as np
import pandas as pd

categories = ['foo', 'bar', 'baz']
codes = [0, 1, 2, 0, 0, 1]
my_cats_2 = pd.Categorical.from_codes(codes, categories)
print(my_cats_2.as_ordered())

用as_ordered() 输出：

['foo', 'bar', 'baz', 'foo', 'foo', 'bar']
Categories (3, object): ['foo' < 'bar' < 'baz']

最后要注意的是，分类数据不必是字符串，虽然上面我只学习展示了字符串示例。分类数组可以包含任何不可变的值类型。

三.使用 Categoricals 进行计算

与 unencoded 版本（如字符串数组）相比，在 pandas 中使用 Categorical 的行为方式通常相同。pandas 的某些功能（如 groupby 函数）在处理分类时性能更好，还有一些函数可以使用 ordered 标志。

下面学习一个示例，对一些随机数值数据使用 pandas.qcut 分箱函数，返回 pandas.Categorical：

import numpy as np
import pandas as pd

# 设置一个种子，为了每次运行获取相同的随机值
rng = np.random.default_rng(seed=12345)
# 正态分布数据
draws = rng.standard_normal(1000)

# 计算此数据draws的四分位数分箱并提取一些统计数据
bins = pd.qcut(draws, 4)
print(bins)

 print(bins)输出：

[(-3.121, -0.675], (0.687, 3.211], (-3.121, -0.675], (-0.675, 0.0134], (-0.675, 0.0134], ..., (0.0134, 0.687], (0.0134, 0.687], (-0.675, 0.0134], (0.0134, 0.687], (-0.675, 0.0134]]
Length: 1000
Categories (4, interval[float64, right]): [(-3.121, -0.675] < (-0.675, 0.0134] < (0.0134, 0.687] <
                                           (0.687, 3.211]]

下面我们给四分位数用labels参数指定名称，可能在数据分析或生成报表时更有用：

import numpy as np
import pandas as pd

# 设置一个种子，为了每次运行获取相同的随机值
rng = np.random.default_rng(seed=12345)
# 正态分布数据
draws = rng.standard_normal(1000)

# 计算此数据draws的四分位数分箱并提取一些统计数据，用labels指定四分位数名称
bins = pd.qcut(draws, 4, labels=['Q1', 'Q2', 'Q3', 'Q4'])
print(bins)

输出：

['Q1', 'Q4', 'Q1', 'Q2', 'Q2', ..., 'Q3', 'Q3', 'Q2', 'Q3', 'Q2']
Length: 1000
Categories (4, object): ['Q1' < 'Q2' < 'Q3' < 'Q4']

在用print(bins.codes[:10]) 输出看看：[0 3 0 1 1 0 0 2 2 0]

设置了labels的 bins 分类不包含边缘数据的信息，因此我们可以使用 groupby 来提取一些汇总统计信息：

import numpy as np
import pandas as pd

# 设置一个种子，为了每次运行获取相同的随机值
rng = np.random.default_rng(seed=12345)
# 正态分布数据
draws = rng.standard_normal(1000)

# 计算此数据draws的四分位数分箱并提取一些统计数据，用labels指定四分位数名称
bins = pd.qcut(draws, 4, labels=['Q1', 'Q2', 'Q3', 'Q4'])
bins = pd.Series(bins, name='quartile')
results = (pd.Series(draws).groupby(bins).agg(['count', 'min', 'max']).reset_index())
print(results)
print(results['quartile'])

results输出：

  quartile  count       min       max
0       Q1    250 -3.119609 -0.678494
1       Q2    250 -0.673305  0.008009
2       Q3    250  0.018753  0.686183
3       Q4    250  0.688282  3.211418

results['quartile'] 输出：

0    Q1
1    Q2
2    Q3
3    Q4
Name: quartile, dtype: category
Categories (4, object): ['Q1' < 'Q2' < 'Q3' < 'Q4']

results中的 'quartile' 列保留 bin 中的原始分类信息，包括排序。

四.使用分类(categoricals)提高性能

在前面，我说过分类类型可以提高性能和内存使用，我们看一些例子，考虑一些具有 1000 万个元素和少量不同类别的 Series：

import numpy as np
import pandas as pd

# 设置一个种子，为了每次运行获取相同的随机值
rng = np.random.default_rng(seed=12345)
N = 10_000_000
labels = pd.Series(['foo', 'bar', 'baz', 'qux'] * (N // 4))

# 将标签转换为分类标签：
categories = labels.astype('category')

# 用以下代码来比较labels和categories的内存使用情况
lab_mem = labels.memory_usage(deep=True)
cat_men = categories.memory_usage(deep=True)
print(lab_mem, '\t', cat_men)

内存对比输出：600000132        10000544 ，从输出可以看出categories对内存的使用明显要小。当然，转换为类别（categories）不是免费的，但是只需要一次性消耗。使用 categoricals 时，GroupBy 操作可以明显加快速度，因为基础算法使用基于整数的 codes 数组，而不是字符串数组。大家可以用labels.value_counts()和categories.value_counts()消耗的时间做个对比，会发现categories.value_counts()耗时比labels.value_counts()少指数级甚至少的更多。

五.分类的方法

包含分类数据的序列具有几个类似于 Series.str 专用字符串方法的特殊方法。特殊访问器属性 cat 提供对 categorical 方法的访问。

import numpy as np
import pandas as pd

# 设置一个种子，为了每次运行获取相同的随机值
rng = np.random.default_rng(seed=12345)

s = pd.Series(['a', 'b', 'c', 'd'] * 2)
cat_s = s.astype('category')
print(cat_s)
print(cat_s.cat.codes)
print(cat_s.cat.categories)

# 假设我们知道此数据的实际类别集超出了数据中观察到的四个值,可以使用 set_categories 方法来更改它们
actual_categories = ['a', 'b', 'c', 'd', 'e']
cat_s2 = cat_s.cat.set_categories(actual_categories)
print(cat_s2)

print(cat_s.value_counts())
print(cat_s2.value_counts())

以上代码输出：

0    a
1    b
2    c
3    d
4    a
5    b
6    c
7    d
dtype: category
Categories (4, object): ['a', 'b', 'c', 'd']
0    0
1    1
2    2
3    3
4    0
5    1
6    2
7    3
dtype: int8
Index(['a', 'b', 'c', 'd'], dtype='object')
0    a
1    b
2    c
3    d
4    a
5    b
6    c
7    d
dtype: category
Categories (5, object): ['a', 'b', 'c', 'd', 'e']
a    2
b    2
c    2
d    2
Name: count, dtype: int64
a    2
b    2
c    2
d    2
e    0
Name: count, dtype: int64

在大型数据集中，分类通常用作节省内存和提高性能的便捷工具。筛选大型 DataFrame 或 Series 后，许多类别可能不会显示在数据中。为了帮助解决这个问题，我们可以使用 remove_unused_categories 方法来修剪未观察到的类别：

import numpy as np
import pandas as pd

s = pd.Series(['a', 'b', 'c', 'd'] * 2)
cat_s = s.astype('category')

cat_s3 = cat_s[cat_s.isin(['a', 'b'])]
print(cat_s3)
print(cat_s3.cat.remove_unused_categories())

cat_s3输出：

0    a
1    b
4    a
5    b
dtype: category
Categories (4, object): ['a', 'b', 'c', 'd']

cat_s3.cat.remove_unused_categories() 输出：

0    a
1    b
4    a
5    b
dtype: category
Categories (2, object): ['a', 'b']

下图是可用分类方法的列表：

六.创建用于建模的虚拟变量 

当您使用统计或机器学习工具时，通常会将分类数据转换为虚拟变量，也称为独热编码。这涉及创建一个 DataFrame，其中包含每个不同类别的列；这些列包含给定类别的出现次数，出现一次为 1，否则为 0。使用pandas.get_dummies 函数将此一维分类数据转换为包含虚拟变量的 DataFrame：

import numpy as np
import pandas as pd

cat_s = pd.Series(['a', 'b', 'c', 'd'] * 2, dtype='category')
# 这里要指定dtype类型，否则会返回布尔型，这是因为新版pandas的原因
pd.get_dummies(cat_s, dtype=float)
print(a)

 输出结果：

总结：有效的数据准备可以让我们花更多时间分析数据，减少准备分析的时间，从而显著提高工作效率。数据清洗与预处理的学习先到这，学的内容要不断的实操练习才会熟练。后面我将继续学习数据整理：连接、合并和重塑等。