Desarrollo de Python
  1. Desarrollo de Python
  3. Obtener mapeo de variables categóricas en pandas
Intereting Posts
LSTM – Hacer predicciones en secuencia parcial caracteres Unicode coincidentes en expresiones regulares de Python Validación de campos del modelo Django. ¿Cómo se puede asignar un mapa de colores de superficie 3D a una función escalar? Peticiones de botella de Python y Unicode. La animación de matplotlib en el cuaderno de Jupyter crea un gráfico vacío adicional ¿Es posible tener múltiples ventanas de PyPlot? ¿O estoy limitado a las subplots? Cómo estructurar proyectos de Python con sub aplicaciones compartidas usando git y buidout sin enlaces simbólicos ¿Hay una función matemática nCr en python? Llamadas HTTP asíncronas en Python ¿Cómo especificar las peticiones de python http put body? ¿Cómo ejecutas un script de python desde notepad ++? En Python, ¿cómo creo una cadena de n caracteres en una línea de código? No se puede instalar virtualenvwrapper en OSX 10.11 El Capitán Campo de zona horaria en isoformato

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