python - Python Pandas 中因子变量的最接近等价物

Question

与Python pandas中的R 因子变量最接近的等价物是什么？

Answer 1

这个问题似乎是从一年前开始的，但由于它仍然是开放的，所以这里有一个更新。pandas 引入了一个categoricaldtype，它的操作与 R 非常相似factors。有关更多信息，请参阅此链接：

http://pandas-docs.github.io/pandas-docs-travis/categorical.html

从上面的链接中复制一个片段，展示如何在 pandas 中创建“因子”变量。

In [1]: s = Series(["a","b","c","a"], dtype="category")

In [2]: s
Out[2]: 
0    a
1    b
2    c
3    a
dtype: category
Categories (3, object): [a < b < c]

Answer 2

如果你想做建模等，patsy 库中有很多好东西。我承认我自己也曾为此苦苦挣扎。我发现这些幻灯片很有帮助。希望我能举一个更好的例子，但这是我自己得到的。

Answer 3

如果您希望像 R 一样将分类变量映射到数字，Pandas 实现了一个功能，它将为您提供这样的功能：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas。分解.html

import pandas as pd

df = pd.read_csv('path_to_your_file')
df['new_factor'], _ = pd.factorize(df['old_categorical'], sort=True)

此函数返回枚举映射以及唯一值列表。如果你只是在做变量赋值，你必须像上面那样把后者扔掉。

如果您想要一个本土解决方案，您可以在函数中使用集合和字典的组合。此方法更容易应用于多个列，但您必须注意 None、NaN 等将作为一个类别包含在此方法中：

def factor(var):
    var_set = set(var)
    var_set = {x: y for x, y in [pair for pair in zip(var_set, range(len(var_set)))]}
    return [var_set[x] for x in var]


df['new_factor1'] = df['old_categorical1'].apply(factor)
df[['new_factor2', 'new_factor3']] = df[['old_categorical2', 'old_categorical3']].apply(factor)

Answer 4

C # array containing category data
V # array containing numerical data

H = np.unique(C)
mydict = {}
for h in H:
    mydict[h] = V[C==h]


boxplot(mydict.values(), labels=mydict.keys())