pandas将文本特征转换为数值

Question

我可以使用df.astype（）方法转换为'category'，从而转换pandas数据框中的所有文本功能，如下所示。但是我发现类别难以使用（例如用于绘制数据）并且更愿意创建一个新的整数列

#convert all objects to categories
object_types = dataset.select_dtypes(include=['O'])
for col in object_types:
    dataset['{0}_category'.format(col)] = dataset[col].astype('category')

我可以使用这个hack将文本转换为整数：

#convert all objects to int values
object_types = dataset.select_dtypes(include=['O'])

new_cols = {}
for col in object_types:
    data_set = set(dataset[col].tolist())
    data_indexed = {}
    for i, item in enumerate(data_set):
        data_indexed[item] = i
    new_list = []
    for item in dataset[col].tolist():
        new_list.append(data_indexed[item])
    new_cols[col]=new_list

for key, val in new_cols.items():
    dataset['{0}_int_value'.format(key)] = val

但是有更好的（或现有的）方法吗？

Answer 1

我会使用专为此特定任务设计的factorize方法：

In [90]: x
Out[90]:
    A  B
9   c  z
10  c  z
4   b  x
5   b  y
1   a  w
7   b  z

In [91]: x.apply(lambda col: pd.factorize(col, sort=True)[0])
Out[91]:
    A  B
9   2  3
10  2  3
4   1  1
5   1  2
1   0  0
7   1  3

或：

In [92]: x.apply(lambda col: pd.factorize(col)[0])
Out[92]:
    A  B
9   0  0
10  0  0
4   1  1
5   1  2
1   2  3
7   1  0

Answer 2

考虑df

df = pd.DataFrame(dict(A=list('aaaabbbbcccc'),
                       B=list('wwxxxyyzzzzz')))

df

你可以转换成这样的整数

def intify(s):
    u = np.unique(s)
    i = np.arange(len(u))
    return s.map(dict(zip(u, i)))

或更短的版本

def intify(s):
    u = np.unique(s)
    return s.map({k: i for i, k in enumerate(u)})

df.apply(intify)

或单行

df.apply(lambda s: s.map({k:i for i,k in enumerate(s.unique())}))