何时使用Category而不是Object？

Question

我有一个包含40个功能的CSV数据集，我正在处理Pandas。 7个要素是连续的（int32），其余的是绝对的。

我的问题是：

我应该使用dtype('category') Pandas作为分类功能，还是可以使用默认dtype('object')？

Answer 1

当您希望利用大量重复时使用类别。

例如，假设我想要一个大型交易表的每个交易所的聚合大小。使用默认的object是完全合理的：

In [6]: %timeit trades.groupby('exch')['size'].sum()
1000 loops, best of 3: 1.25 ms per loop

但是由于可能的交换列表非常小，并且因为有很多重复，我可以使用category来加快速度：

In [7]: trades['exch'] = trades['exch'].astype('category')

In [8]: %timeit trades.groupby('exch')['size'].sum()
1000 loops, best of 3: 702 µs per loop

请注意，类别实际上是动态枚举的一种形式。如果可能值的范围是固定且有限的，它们是最有用的。

Answer 2

Pandas文档中有concise section关于何时使用categorical数据类型的说明：

  

在以下情况下，分类数据类型很有用：

     

  
• 仅包含几个不同值的字符串变量。   将这样的字符串变量转换为分类变量将节省   一些内存，请参阅here。
  
• 变量的词法顺序不同   作为逻辑顺序（“一个”，“两个”，“三个”）。通过转换为   分类并指定类别的顺序，排序和   最小值/最大值将使用逻辑顺序而不是词汇顺序，请参阅   here。
  
• 作为其他Python库的信号，此列应为   视为类别变量（例如，使用适当的统计信息   方法或绘图类型）。