Pandas 类别类型（Categorical）

Categorical 是 Pandas 中用于处理有限类别值的数据类型，特别适合处理枚举类型的数据，如性别、学历、等级等。类别类型可以显著减少内存占用并提升计算性能。

创建 Categorical 数据

从 Series 创建

实例

import pandas as pd

# 创建类别数据
s = pd.Series(["男", "女", "男", "女", "男"], dtype="category")
print("基本类别数据：")
print(s)
print(f"类型: {s.dtype}")
print()

# 指定类别顺序
s2 = pd.Series(
["低", "中", "高", "中", "低"],
dtype=pd.CategoricalDtype(categories=["低", "中", "高"], ordered=True)
)
print("有序类别：")
print(s2)
print(f"类别顺序: {s2.dtype.categories.tolist()}")

从列表创建

实例

import pandas as pd

# 使用 pd.Categorical
categories = pd.Categorical(
["甲", "乙", "甲", "丙", "乙"],
categories=["甲", "乙", "丙"]
)

s = pd.Series(categories)
print("从 Categorical 创建：")
print(s)

类别属性与方法

访问类别信息

实例

import pandas as pd

s = pd.Series(
["低", "中", "高", "中", "低"],
dtype=pd.CategoricalDtype(categories=["低", "中", "高"], ordered=True)
)

# 类别属性
print(f"类别: {s.dtype.categories.tolist()}")
print(f"是否有序: {s.dtype.ordered}")
print()

# 统计各类别数量
print("类别统计：")
print(s.value_counts())

修改类别

实例

import pandas as pd

s = pd.Series(["A", "B", "C", "A", "B"], dtype="category")

print("修改类别名称：")
s2 = s.cat.rename_categories({"A": "优秀", "B": "良好", "C": "及格"})
print(s2)
print()

# 添加新类别
print("添加类别：")
s3 = s.cat.add_categories(["D"])
print(s3.dtype.categories.tolist())
print()

# 删除类别
print("删除类别：")
s4 = s.cat.remove_categories(["C"])
print(s4.dtype.categories.tolist())

有序类别

有序类别支持比较操作，适用于有大小顺序的分类数据。

实例

import pandas as pd

# 创建有序类别
s = pd.Series(
["低", "中", "高", "高", "低", "中"],
dtype=pd.CategoricalDtype(categories=["低", "中", "高"], ordered=True)
)

# 比较操作
print("高 > 中:", s > "中")
print("中 > 低:", s > "低")
print()

# 排序
print("排序后：")
print(s.sort_values())

实战：数据分组

实例

import pandas as pd

# 模拟用户等级数据
users = pd.DataFrame({
"用户ID": range(1, 1001),
"等级": pd.Categorical(
["VIP"] * 100 + ["金卡"] * 300 + ["银卡"] * 400 + ["普通"] * 200,
categories=["普通", "银卡", "金卡", "VIP"],
ordered=True
),
"消费额": [1000, 500, 100, 50] * 250
})

print("用户等级分布：")
print(users["等级"].value_counts().sort_index())
print()

# 按等级分组统计
print("按等级统计：")
print(users.groupby("等级", observed=True)["消费额"].sum())

内存优化

类别类型可以大幅减少字符串数据的内存占用。

实例

import pandas as pd
import numpy as np

# 创建大量重复的字符串数据
np.random.seed(42)
s_str = pd.Series(np.random.choice(["北京", "上海", "广州", "深圳"], 1000000))

# 转换为类别类型
s_cat = s_str.astype("category")

# 内存对比
print(f"字符串类型内存: {s_str.memory_usage(deep=True) / 1024 / 1024:.2f} MB")
print(f"类别类型内存: {s_cat.memory_usage(deep=True) / 1024 / 1024:.2f} MB")
print(f"节省: {(1 - s_cat.memory_usage(deep=True) / s_str.memory_usage(deep=True)) * 100:.1f}%")

当数据中有大量重复的字符串值时，使用类别类型可以显著减少内存占用，特别适合大数据集。

返回顶部

菜鸟教程