Question

我从互联网上获得了一段代码来分解大熊猫数据框的分类列，但由于我是python的新手，因此我很难理解它。

有人可以逐行解释下面这段代码。

train和test是pandas数据框，按顺序具有相同的列。

for (train_name, train_series), (test_name, test_series) in zip(train.iteritems(),test.iteritems()):
    if train_series.dtype == 'O':
        #for objects: factorize
        train[train_name], tmp_indexer = pd.factorize(train[train_name])
        test[test_name] = tmp_indexer.get_indexer(test[test_name])

我对行test[test_name] = tmp_indexer.get_indexer(test[test_name])

特别感兴趣

还请解释一下，pd.factorize到底有什么作用？是否将字符“A”，“AA”，“AAA”转换为不同的数字因子？

Answer 1

第一行：iteritems遍历数据框的列并返回(column_name, actual_column)对。通过zip行for ping和解构，最终得到：

train_name：train数据框中的当前列的名称;
test_name：test数据框中相应列的名称;
train_series和test_series：实际列（作为pandas系列）。

第二行：这会检查列是否为Object类型，这实际上意味着它包含字符串并且是一个分类列。

第三行：factorize将在第二个位置返回所提供列中的唯一值（或分类标签）列表，并且第一个位置，这些索引可让您从唯一值重新创建原始列。换句话说：

labels, uniques = pd.factorize(column)
for i in range(len(column)):
    print(column[i] == uniques[labels[i]])  # True

继续进行解构分配，当前train列train[train_name]将替换为其基于索引的表示，而tmp_indexer将包含原始train[train_name]中的唯一值

第四行：get_indexer将返回test[test_name]中tmp_indexer中test中的值所在的索引。因此，当前train列将被索引列表替换，其方式与上面一行中相应的train列完全相同。

最终结果：test和CONCURRENT_REQUESTS_PER_DOMAIN = 32中的两列都从一系列字符串（分类值）变为一系列数字索引值，两者都在相同（临时）的对象。

分解大熊猫数据框的列

1 个答案: