我有一个Pandas版本0.15.2数据帧，如下所示，序号列rate，最初表示为字符串。我的最终目标是找到df中不同行的相似之处（实际上我有更多的行和更多的序数变量）。
目前，在执行我想要的排序时，我factorize()首先将rate转换为Categorical，然后对df进行排序，最后将因子分解为Bad得到最小的整数值，Good获得最高值。以这种方式，我创建factor_rate列，然后我可以将其用作维度（以及其他）来计算相似度/距离。这些在下面的代码中给出。
然而，我觉得这是一个内存效率低下且速度慢的黑客。什么是实现这一目标的最快和最节省内存的方法？
df = pd.DataFrame({'id' : range(1,9),
'rate' : ['bad', 'bad', 'neutral', 'good',
'neutral', 'good', 'bad', 'neutral'],
'amount' : np.random.randn(8)}, columns= ['id','rate','amount'])
df.rate = pd.Categorical(df.rate, categories=["bad","neutral","good"], ordered=True)
df = df.sort('rate', ascending=True)
df.loc[:,'factor_rate'] = pd.factorize(df.rate)[0]
注1 ：此问题与我之前的one相关联。
注意2 ：我知道pandas.factorize()有一个order参数，现在或很快就会被弃用，所以我不能直接使用它。
注释3 ：我知道Gower指标，在相似度计算中，序数变量应该与纯数字变量区别对待，但这不是我的问题。
答案 0 :(得分：1)
如果您关注或依赖于分类，则另一种方法是在列表和订单中定义您的类别，使用此方法创建一个dict以将订单映射到类别并将此dict传递给map ：
In [560]:
df = pd.DataFrame({'id' : range(1,9),
'rate' : ['bad', 'bad', 'neutral', 'good',
'neutral', 'good', 'bad', 'neutral'],
'amount' : np.random.randn(8)}, columns= ['id','rate','amount'])
cat_list = ["bad","neutral","good"]
cat_dict = dict(zip(cat_list, np.arange(len(cat_list))))
df['factor_rate'] = df['rate'].map(cat_dict)
df
Out[560]:
id rate amount factor_rate
0 1 bad -1.436574 0
1 2 bad 0.210717 0
2 3 neutral -0.896904 1
3 4 good -1.724393 2
4 5 neutral 1.792339 1
5 6 good -1.312713 2
6 7 bad 0.555877 0
7 8 neutral -0.681881 1
按新的'factor_rate'列进行排序会产生与当前解决方案相同的输出：
In [562]:
df.sort('factor_rate')
Out[562]:
id rate amount factor_rate
0 1 bad -1.436574 0
1 2 bad 0.210717 0
6 7 bad 0.555877 0
2 3 neutral -0.896904 1
4 5 neutral 1.792339 1
7 8 neutral -0.681881 1
3 4 good -1.724393 2
5 6 good -1.312713 2
修改
实际上，底层编码存储在Category dtype：
中In [569]:
df = pd.DataFrame({'id' : range(1,9),
'rate' : ['bad', 'bad', 'neutral', 'good',
'neutral', 'good', 'bad', 'neutral'],
'amount' : np.random.randn(8)}, columns= ['id','rate','amount'])
df['rate'] = pd.Categorical(df.rate, categories=["bad","neutral","good"], ordered=True)
df['rate'].cat.codes
Out[569]:
0 0
1 0
2 1
3 2
4 1
5 2
6 0
7 1
dtype: int8
所以我的答案可能没有必要，目前docs的链接是空的。