Pandas分类（category）数据处理

　　分类（Category）数据：直白来说，就是取值为有限的，或者说是固定数量的可能值。例如：性别、血型

指定数据类型构建分类数据 

dtype="category"

　　以血型为例，创建一个关于血型的分类对象

import pandas as pd
index = pd.Index(data=["Tom", "Bob", "Mary", "James", "Andy", "Alice"], name="name")
user_info = pd.Series(data=["A", "AB", np.nan, "AB", "O", "B"], index=index, name="bloo d_type", dtype="category")
user_info
"""
name
Tom        A
Bob       AB
Mary     NaN
James     AB
Andy       O
Alice      B
Name: bloo d_type, dtype: category
Categories (4, object): [A, AB, B, O]
"""

使用 pd.Categorical 来构建分类数据

import pandas as pd
index = pd.Index(data=["Tom", "Bob", "Mary", "James", "Andy", "Alice"], name="name")
user_info = pd.Series(data=["A", "AB", np.nan, "AB", "O", "B"], index=index, name="blood_type") 
# categories：自定义类别数据
pd.Categorical(user_info, categories=["A", "B", "AB"]) 
"""
[A, AB, NaN, AB, NaN, B]
Categories (3, object): [A, B, AB]
"""

转为分类数据

　　我们经常遇到的情况是已经创建了一个 Series，如何将它转为分类数据呢？来看看 astype 用法吧

user_info = pd.Series(data=["A", "AB", np.nan, "AB", "O", "B"], index=index, name="bloo d_type")
user_info = user_info.astype("category")
user_info 
"""
name
Tom        A
Bob       AB
Mary     NaN
James     AB
Andy       O
Alice      B
Name: bloo d_type, dtype: category
Categories (4, object): [A, AB, B, O]
"""

常用操作

.describe()

　　可以对分类数据使用 .describe() 方法，得到的结果与 string 类型的数据相同

user_info.describe() 
"""
count      5
unique     4
top       AB
freq       2
Name: bloo d_type, dtype: object
"""

"""
count：非空的数据有5条
unique：去重后的非空数据有4条
top：出现次数最多的值为 AB
freq：出现次数最多的值的次数为2次。
"""

.cat.categories　　

　　使用 .cat.categories 来获取分类数据所有可能的取值： 

user_info.cat.categories 
"""
Index(['A', 'AB', 'B', 'O'], dtype='object')
"""

.cat.rename_categories　　

　　使用 .cat.rename_categories 方法来重命名分类名称 

user_info.cat.rename_categories(["A+", "AB+", "B+", "O+"])

　　添加、删除分类的操作，这些都可以通过 .cat.add_categories 、.cat.remove_categories 来实现。

.value_counts()

　　使用 value_counts 方法来查看数据分布的 

user_info.value_counts() 

.str 属性　　

　　使用 .str 属性来访问分类数据

# 查看是否包含字母 "A
user_info.str.contains("A") 

pd.concat

　　使用 pd.concat 分类数据合并

blood_type1 = pd.Categorical(["A", "AB"]) 
blood_type2 = pd.Categorical(["B", "O"]) 
pd.concat([pd.Series(blood_type1), pd.Series(blood_type2)]) 

union_categoricals 　　

　　分类数据经过 pd.concat 合并后类型转为了 object 类型，如果想要保持分类类型的话，可以借助 union_categoricals 来完成。  

from pandas.api.types import union_categoricals 
union_categoricals([blood_type1, blood_type2])

内存使用量

　　Categorical 的内存使用量是 与分类数乘以数据长度成正比

　　object 类型的数据 是一个 常数*数据的长度

　　在类别的数量很少的情况下，分类数据非常节省内存

blood_type = pd.Series(["AB","O"]*1000) 
blood_type.nbytes   # 32000
blood_type.astype("category").nbytes   # 4016

　　当类别的数量接近数据的长度，那么 Categorical 将使用与等效的 object 表示几乎相同或更多的内存

blood_type = pd.Series(['AB%04d' % i for i in range(2000)]) 
blood_type.nbytes   # 16000
blood_type.astype("category").nbytes  # 20000