Question

我有一个带有字符串列（名称：14）的数据集，我想将其转换为解释为分类特征。据我所知，有两种方法可以做到这一点：

pd.Categorical(data[14])
data[14].astype('category')

尽管两者产生的结果都相同，.dtype：CategoricalDtype(categories=[' <=50K', ' >50K'], ordered=False)却并不相同。

在结果上调用.describe()会产生不同的输出。第一个输出有关各个类别的信息，而第二个（astype(..)）产生典型的描述输出，其中包含计数，唯一，顶部，频率和名称，并列出dtype: object。

那么我的问题是，为什么/它们有何不同？

这是数据集：http://archive.ics.uci.edu/ml/datasets/Adult

data = pd.read_csv("./adult/adult.data", header=None)

pd.Categorical(data[14]).describe()
data[14].astype('category').describe()

pd.Categorical(data[14]).dtype
data[14].astype('category').dtype

Answer 1

与Bakuriu points out一样，type(pd.Categorical(data[14]))为Categorical，而 type(data[14].astype('category'))是Series：

import pandas as pd
data = pd.read_csv("./adult/adult.data", header=None)

cat = pd.Categorical(data[14])
ser = data[14].astype('category')
print(type(cat))
# pandas.core.arrays.categorical.Categorical
print(type(ser))
# pandas.core.series.Series

describe()的行为不同因为Categorical.describe的定义与Series.describe的定义不同。

每当您致电Categorical.describe()时，每个类别都会得到count和freq：

In [174]: cat.describe()
Out[174]: 
            counts    freqs
categories                 
 <=50K       24720  0.75919
 >50K         7841  0.24081

，并且每当您在分类系列you'll get count, unique, top and freq上致电Series.describe()时。请注意，count和freq在这里也有不同的含义：

In [175]: ser.describe()
Out[175]: 
count      32561
unique         2
top        <=50K
freq       24720
Name: 14, dtype: object

.astype（'categorical'）和`pd.Category（...）`之间的熊猫区别

1 个答案: