Desarrollo de Python
  1. Desarrollo de Python
  3. Obtener mapeo de variables categóricas en pandas
Intereting Posts
Analizar un archivo de texto plano en un archivo CSV utilizando Python ¿Código fuente para convertir JPG (bitmap) a SVG (vector)? Cómo abrir un archivo en mac OSX 10.8.2 en python ¿Python admite oficialmente la reutilización de una variable de bucle después del bucle? ¿Cómo activo un virtualenv dentro de la terminal de PyCharm? ¿Asyncio admite E / S asíncronas para operaciones de archivos? Cómo detener el dibujo de la tortuga python ¿Por qué no funciona la referencia débil en este método enlazado? Combinando conda environment.yml con los requisitos de pip.txt Define una clase con argumento opcional en Python La ordenación de Django no distingue entre mayúsculas y minúsculas utilizando el método de modelo con PostgreSQL Entrenamiento de registro y pérdida de validación en tensorboard ¿Dónde están mis datos JSON en mi solicitud de Django entrante? Ordenar lista según el texto dado de meses Cálculo de promedios de registros de varios archivos con python

Obtener mapeo de variables categóricas en pandas

Estoy haciendo esto para hacer números de variables categóricas 

>>> df = pd.DataFrame({'x':['good', 'bad', 'good', 'great']}, dtype='category') x 0 good 1 bad 2 good 3 great

¿Cómo puedo obtener la asignación entre los valores originales y los nuevos valores?

Método 1

Puede crear una asignación de diccionario enumerando (de forma similar a crear un diccionario a partir de una lista creando claves de diccionario a partir de los índices de la lista): 

 dict( enumerate(df['x'].cat.categories ) ) # {0: 'bad', 1: 'good', 2: 'great'}

Método 2

Alternativamente, puede asignar los valores y códigos en cada fila: 

 dict( zip( df['x'].cat.codes, df['x'] ) ) # {0: 'bad', 1: 'good', 2: 'great'}

Es un poco más transparente lo que está sucediendo aquí, y posiblemente más seguro por esa razón. También es mucho menos eficiente ya que la longitud de los argumentos para zip() es len(df) mientras que la longitud de df['x'].cat.categories es solo el conteo de valores únicos y generalmente mucho más corta que len(df) .

Discusión adicional

La razón por la que el Método 1 funciona es que las categorías tienen un Tipo de Índice: 

 type( df['x'].cat.categories ) # pandas.core.indexes.base.Index

y en este caso, busca valores en un índice tal como lo harías con una lista.

Hay un par de maneras de verificar que el Método 1 funciona. Primero, puede verificar que un viaje de ida y vuelta retenga los valores correctos: 

 (df['x'] == df['x'].cat.codes.map( dict( enumerate(df['x'].cat.categories) ) ).astype('category')).all() # True

o puede verificar que el Método 1 y el Método 2 den la misma respuesta: 

 (dict( enumerate(df['x'].cat.categories ) ) == dict( zip( df['x'].cat.codes, df['x'] ) )) # True