Question

我正在寻找一种方法来复制Stata中的encode行为，它会将分类字符串列转换为数字列。

x = pd.DataFrame({'cat':['A','A','B'], 'val':[10,20,30]})
x = x.set_index('cat')

结果是：

     val
cat     
A     10
A     20
B     30

我想将cat列从字符串转换为整数，将每个唯一字符串映射到（任意）整数1对1。这将导致：

或者，同样好：

有什么建议吗？

非常感谢，罗布

Answer 1

您可以使用pd.factorize：

import pandas as pd

x = pd.DataFrame({'cat':('A','A','B'), 'val':(10,20,30)})
labels, levels = pd.factorize(x['cat'])
x['cat'] = labels
x = x.set_index('cat')
print(x)

产量

如果您希望复制Stata的行为，可以向labels添加1：

x['cat'] = labels+1

Answer 2

Stata的encode命令以字符串变量开头，并创建一个新的整数变量，其标签映射到原始字符串变量。大熊猫的直接类比现在是分类变量类型，它从0.15开始成为大熊猫的一个完整部分（在最初询问和回答此问题后发布）。

请参阅文档here。

为了演示此示例，Stata命令将类似于：

encode cat, generate(cat2)

而pandas命令是：

x['cat2'] = x['cat'].astype('category')

  cat  val cat2
0   A   10    A
1   A   20    A
2   B   30    B

正如Stata对encode所做的那样，数据存储为整数，但在默认输出中显示为字符串。

您可以使用分类访问者cat来验证这一点，以查看基础整数。（因此您可能不希望使用'cat'作为列名。）

x['cat2'].cat.codes

0    0
1    0
2    1

Answer 3

假设您有一组固定的单个大写英文字母作为分类变量，您也可以这样做：

x['cat'] = x.cat.map(lambda x: ord(x) - 64)

我认为这有点像黑客。但话说再说一次，在Python中，最好的方法是定义从你所需的字符到整数的映射，例如

my_map = {"A":1, ...} 
# e.g.: {x:ord(x)-64  for x in string.ascii_uppercase}
# if that's the convention you happen to desire.

然后再做

x['cat'] = x.cat.map(lambda x: my_map[x])

或类似的东西。

这比依赖于整数映射的内置函数的约定更好，原因有很多，而且（IMO）这样的事情“感觉”是对程序员 - 分析师的讨厌转换，但实际上代表有关您正在编写的软件的重要元数据，它揭示了更高级语言（如MATLAB，STATA等）中全局便捷函数的真正弱点。即使有内置函数碰巧随机遵循您想要的特定约定使用（“A”映射到1的任意约定，“B”映射到2，等等。）使用它不是一个好主意。

熊猫相当于Stata的编码

3 个答案: