Desarrollo de Python
  1. Desarrollo de Python
  3. Obtener mapeo de variables categóricas en pandas
Intereting Posts
Creando la base de datos con SQLAlchemy en Flask Marco emulador Python con matplotlib – dibujar varias figuras en paralelo Reemplazando palabras sin comillas solo en Python Agregue Jar a pyspark independiente Extraiga la lista de atributos de la lista de objetos en Python tkinter imagen de cambio de tamaño a través del controlador Ubicación de aplicaciones instaladas de Django ¿El filtro dict para contener solamente ciertas claves? Salida de sys.stdout en modo interactivo ¿Cuál es la diferencia entre (4,) y (4,1) para la forma en Numpy? ¿Cómo implementar este algoritmo en python? ¿Por qué no funciona str.translate en Python 3? ¿Puede un paquete de Python depender de una revisión de control de versión específica de otro paquete de Python? Use Flask current_app.logger dentro de los hilos.

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