Question

我正在研究纽约市房地产销售数据集（https://www.kaggle.com/new-york-city/nyc-property-sales）。

有一列“建筑类别类别”，其中包含几个不同的分类字符串值。我要做的是仅选择出现次数最多的前4个类别，然后将其余的值合并为一个。对于前

> dataset["BUILDING CLASS CATEGORY"].value_counts()

01 ONE FAMILY DWELLINGS                         12686
10 COOPS - ELEVATOR APARTMENTS                  11518
02 TWO FAMILY DWELLINGS                          9844
13 CONDOS - ELEVATOR APARTMENTS                  7965
09 COOPS - WALKUP APARTMENTS                     2504
03 THREE FAMILY DWELLINGS                        2318
07 RENTALS - WALKUP APARTMENTS                   1743

所以我想要的是将前4类的所有实例替换为一些整数值，例如

01 ONE FAMILY DWELLINGS instances are replaced by 0
10 COOPS - ELEVATOR APARTMENTS  instances are replaced by 1
02 TWO FAMILY DWELLINGS instances are replaced by 2
13 CONDOS - ELEVATOR APARTMENTS instances are replaced by 3
all the other instances are replaced by integer 4

因此，下次我运行该命令时，它应该输出如下内容：

> dataset["BUILDING CLASS CATEGORY"].value_counts()
0     12686
1     11518
2      9844
3      7965
4      6565   #sum of all the other instances

我尝试使用LabelEncoder，但是我的方法太长了，因此，如果有有效的方法，请告诉我。

Answer 1

让我们简短地这样称呼你的系列：

building_cat = dataset["BUILDING CLASS CATEGORY"]

这是您已经做过的事情：

vc = building_cat.value_counts()

现在获得前4名的列表：

top4 = vc[:4].index.tolist()

并将其映射到您的df：

building_cat  = building_cat.map(lambda x: top4.index(x) if x in top4 else 4)

我没有下载数据集，如果它不起作用，我将在本地尝试。

您可以根据需要更改类型：

building_cat  = building_cat.astype("category")

如何在数据框中组合不同的分类属性值

1 个答案: