为什么在将列转换为pandas中的类别时会收到两种不同的行为?
举个例子,假设我使用
创建一个数据框>>> import pandas as pd
>>> import numpy as np
>>> pd.__version__
u'0.22.0'
>>> np.__version__
'1.14.0'
>>> df = pd.DataFrame(columns=['nombre'], data=[1,2,3,4])
现在我将我的列转换为对象:
>>> df['nombre'] = df['nombre'].astype('object')
>>> print(df['nombre'].dtype)
object
dtype现在是对象。
>>> df['nombre'] = df['nombre'].astype('category')
>>> print(df['nombre'].cat.categories.dtype.name)
int64
转换为类别后,内部dtype为int64。
让我们重新开始使用新数据框
>>> del df
>>> df = pd.DataFrame(columns=['nombre'], data=[1,2,3,4])
这一次,我们将内部列转换为' str'
>>> df['nombre'] = df['nombre'].astype('str')
>>> print(df['nombre'].dtype)
object
内部表示是一个对象。这是有道理的,因为我们转换为了一个'。
>>> df['nombre'] = df['nombre'].astype('category')
>>> print(df['nombre'].cat.categories.dtype.name)
object
转换为类别后,内部dtype现在是object,这与我们之前收到的int64不同?
所以我的问题如下,为什么在从对象dtype转换为类别时会收到两种不同的行为?
答案 0 :(得分:4)
.astype(object)
不会将数字转换为字符串。它将数字转换为相应的Python对象(在您的示例中,numpy.int64
转换为Python int
)。
例如,
df = pd.DataFrame(columns=['nombre'], data=[1,2,3,4])
type(df['nombre'][0])
Out[64]: numpy.int64
df['nombre'] = df['nombre'].astype('object')
type(df['nombre'][0])
Out[66]: int
但是当你使用astype(str)
时,它会将所有内容转换为字符串。在这样做的同时,它也将系列转换为对象系列。这是因为它是唯一可以保存字符串的dtype。
df['nombre'] = df['nombre'].astype('str')
type(df['nombre'][0])
Out[69]: str
所以这只与你的输入数据有关。在第一个传递整数时,你得到一个整数数组。在传递字符串的第二个中,您将获得一个对象数组。
还有术语"内部dtype"可能不合适。这是包含类别的系列的dtype;不是他们的代码。在这两个示例中,df['nombre'].cat.codes
是内部表示,其dtype是int8
。