最近在知乎上看到這樣一個問題

題主表示pandas用起來很亂，事實真的如此嗎？本文就將先如何利用pandas來行數(shù)據(jù)轉(zhuǎn)換/編碼的十種方案，最后再回答這個問題。

其實這個操作在機器學習中十分常見，很多算法都需要我們對分類特征進行轉(zhuǎn)換（編碼），即根據(jù)某一列的值，新增（修改）一列。

為了方便理解，下面創(chuàng)建示例DataFrame

數(shù)值型數(shù)據(jù)

讓我們先來討論連續(xù)型數(shù)據(jù)的轉(zhuǎn)換，也就是根據(jù)Score列的值，來新增一列標簽，即如果分數(shù)大于90，則標記為A，分數(shù)在80-90標記為B，以此類推。

自定義函數(shù) + 循環(huán)遍歷

首先當然是最簡單，最笨的方法，自己寫一個函數(shù)，并用循環(huán)遍歷，那肯定就是一個def加一個for

df1=df.copy()

defmyfun(x):
ifx>90:
return'A'
elifx>=80andx<90:
????????return'B'
elifx>=70andx<80:
????????return'C'
elifx>=60andx<70:
????????return'D'
else:
return'E'

df1['Score_Label']=None
foriinrange(len(df1)):
df1.iloc[i,3]=myfun(df1.iloc[i,2])

這段代碼，相信所有人都能看懂，簡單好想但比較麻煩

有沒有更簡單的辦法呢？pandas當然提供了很多高效的操作的函數(shù)，繼續(xù)往下看。

自定義函數(shù) + map

現(xiàn)在，可以使用map來干掉循環(huán)（雖然本質(zhì)上也是循環(huán)）

df2=df.copy()

defmapfun(x):
ifx>90:
return'A'
elifx>=80andx<90:
????????return'B'
elifx>=70andx<80:
????????return'C'
elifx>=60andx<70:
????????return'D'
else:
return'E'

df2['Score_Label']=df2['Score'].map(mapfun)

結(jié)果是同樣的

自定義函數(shù) + apply

如果還想簡潔代碼，可以使用自定義函數(shù) + apply來干掉自定義函數(shù)

df3=df.copy()
df3['Score_Label']=df3['Score'].apply(lambdax:'A'ifx>90else(
'B'if90>x>=80else('C'if80>x>=70else('D'if70>x>=60else'E'))))

結(jié)果和上面是一致的，只不過這么寫容易被打。

使用 pd.cut

現(xiàn)在，讓我們繼續(xù)了解更高級的pandas函數(shù)，依舊是對Score進行編碼，使用pd.cut，并指定劃分的區(qū)間后，可以直接幫你分好組

df4=df.copy()
bins=[0,59,70,80,100]
df4['Score_Label']=pd.cut(df4['Score'],bins)

也可以直接使用labels參數(shù)來修改對應組的名稱，是不是方便多了

df4['Score_Label_new']=pd.cut(df4['Score'],bins,labels=[
'low','middle','good','perfect'])

使用 sklearn 二值化

既然是和機器學習相關(guān)，sklearn肯定跑不掉，如果需要新增一列并判定成績是否及格，就可以使用Binarizer函數(shù)，代碼也是簡潔好懂

df5=df.copy()
binerize=Binarizer(threshold=60)
trans=binerize.fit_transform(np.array(df1['Score']).reshape(-1,1))
df5['Score_Label']=trans

文本型數(shù)據(jù)

下面介紹更常見的，對文本數(shù)據(jù)進行轉(zhuǎn)換打標簽。例如新增一列，將性別男、女分別標記為0、1

使用 replace

首先介紹replace，但要注意的是，上面說過的自定義函數(shù)相關(guān)方法依舊是可行的

df6=df.copy()
df6['Sex_Label']=df6['Sex'].replace(['Male','Female'],[0,1])

上面是對性別操作，因為只有男女，所以可以手動指定0、1，但要是類別很多，也可以使用pd.value_counts()來自動指定標簽，例如對Course Name列分組

df6=df.copy()
value=df6['CourseName'].value_counts()
value_map=dict((v,i)fori,vinenumerate(value.index))
df6['CourseName_Label']=df6.replace({'CourseName':value_map})['CourseName']

使用map

額外強調(diào)的是，新增一列，一定要能夠想到map

df7=df.copy()
Map={elem:indexforindex,eleminenumerate(set(df["CourseName"]))}
df7['CourseName_Label']=df7['CourseName'].map(Map)

使用astype

這個方法應該很多人不知道，這就屬于上面提到的知乎問題，能實現(xiàn)的方法太多了

df8=df.copy()
value=df8['CourseName'].astype('category')
df8['CourseName_Label']=value.cat.codes

使用 sklearn

同數(shù)值型一樣，這種機器學習中的經(jīng)典操作，sklearn一定有辦法，使用LabelEncoder可以對分類數(shù)據(jù)進行編碼

fromsklearn.preprocessingimportLabelEncoder
df9=df.copy()
le=LabelEncoder()
le.fit(df9['Sex'])
df9['Sex_Label']=le.transform(df9['Sex'])
le.fit(df9['CourseName'])
df9['CourseName_Label']=le.transform(df9['CourseName'])

一次性轉(zhuǎn)換兩列也是可以的

df9=df.copy()
le=OrdinalEncoder()
le.fit(df9[['Sex','CourseName']])
df9[['Sex_Label','CourseName_Label']]=le.transform(df9[['Sex','CourseName']])

使用factorize

最后，再介紹一個小眾但好用的pandas方法，我們需要注意到，在上面的方法中，自動生成的Course Name_Label列，雖然一個數(shù)據(jù)對應一個語言，因為避免寫自定義函數(shù)或者字典，這樣可以自動生成，所以大多是無序的。

如果我們希望它是有序的，也就是Python對應0，Java對應1，除了自己指定，還有什么優(yōu)雅的辦法？這時可以使用factorize，它會根據(jù)出現(xiàn)順序進行編碼

df10=df.copy()
df10['CourseName_Label']=pd.factorize(df10['CourseName'])[0]

結(jié)合匿名函數(shù)，我們可以做到對多列進行有序編碼轉(zhuǎn)換

df10=df.copy()
cat_columns=df10.select_dtypes(['object']).columns

df10[['Sex_Label','CourseName_Label']]=df10[cat_columns].apply(
lambdax:pd.factorize(x)[0])

總結(jié)

至此，我們要介紹的十種pandas數(shù)據(jù)編碼的方法就分享完畢，代碼拿走修改變量名就能用，關(guān)于這個問題如果你有更多的方法，可以在評論區(qū)進行留言～

現(xiàn)在回到文章開頭的問題，如果你覺得pandas用起來很亂，說明你可能還未對pandas有一個全面且徹底的了解。

其實就像本文介紹數(shù)據(jù)編碼轉(zhuǎn)換一樣，確實有很多方法可以實現(xiàn)顯得很亂，但學習pandas的正確姿勢就是應該把它當成字典來學，不必記住所有方法與細節(jié)，你只需知道有這么個函數(shù)能完成這樣操作，需要用時能想到，想到再來查就行。