python – pandas.factorize在整个数据框架上

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – pandas.factorize在整个数据框架上，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1577字，纯文字阅读大概需要3分钟。

内容图文

pandas.factorize将输入值编码为枚举类型或分类变量.

但是,如何轻松高效地转换数据框的多列？反向映射步骤怎么样？

示例：此数据框包含具有字符串值的列,例如“类型2”,我想将其转换为数值 – 并可能稍后将其转换回来.

解决方法:

如果需要分别对每列进行分解,可以使用apply：

df = pd.DataFrame({'A':['type1','type2','type2'],
                   'B':['type1','type2','type3'],
                   'C':['type1','type3','type3']})

print (df)
       A      B      C
0  type1  type1  type1
1  type2  type2  type3
2  type2  type3  type3

print (df.apply(lambda x: pd.factorize(x)[0]))
   A  B  C
0  0  0  0
1  1  1  1
2  1  2  1

如果您需要相同的字符串值相同的数字值：

print (df.stack().rank(method='dense').unstack())
     A    B    C
0  1.0  1.0  1.0
1  2.0  2.0  3.0
2  2.0  3.0  3.0

如果只需要为某些列应用该函数,请使用子集：

df[['B','C']] = df[['B','C']].stack().rank(method='dense').unstack()
print (df)
       A    B    C
0  type1  1.0  1.0
1  type2  2.0  3.0
2  type2  3.0  3.0

factorize解决方案：

stacked = df[['B','C']].stack()
df[['B','C']] = pd.Series(stacked.factorize()[0], index=stacked.index).unstack()
print (df)
       A  B  C
0  type1  0  0
1  type2  1  2
2  type2  2  2

可以通过map by dict将它们翻译回来,你需要在drop_duplicates之前删除重复项：

vals = df.stack().drop_duplicates().values
b = [x for x in df.stack().drop_duplicates().rank(method='dense')]

d1 = dict(zip(b, vals))
print (d1)
{1.0: 'type1', 2.0: 'type2', 3.0: 'type3'}

df1 = df.stack().rank(method='dense').unstack()
print (df1)
     A    B    C
0  1.0  1.0  1.0
1  2.0  2.0  3.0
2  2.0  3.0  3.0

print (df1.stack().map(d1).unstack())
       A      B      C
0  type1  type1  type1
1  type2  type2  type3
2  type2  type3  type3

内容总结

以上是互联网集市为您收集整理的python – pandas.factorize在整个数据框架上全部内容，希望文章能够帮你解决python – pandas.factorize在整个数据框架上所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端