利用 Pandas 進行分類數據編碼的十種方式
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來行數據轉換/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換(編碼)，即根據某一列的值，新增(修改)一列。
為了方便理解，下面創建示例DataFrame：
數值型數據
讓我們先來討論連續型數據的轉換，也就是根據Score列的值，來新增一列標簽，即如果分數大于90，則標記為A，分數在80-90標記為B，以此類推。
自定義函數 + 循環遍歷
首先當然是最簡單，最笨的方法，自己寫一個函數，并用循環遍歷，那肯定就是一個def加一個for：
df1 = df.copy()
def myfun(x):
if x>90:
return 'A'
elif x>=80 and x<90:
return 'B'
elif x>=70 and x<80:
return 'C'
elif x>=60 and x<70:
return 'D'
else:
return 'E'
df1['Score_Label'] = None
for i in range(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，繼續往下看。
自定義函數 + map
現在，可以使用map來干掉循環(雖然本質上也是循環)：
df2 = df.copy()
def mapfun(x):
if x>90:
return 'A'
elif x>=80 and x<90:
return 'B'
elif x>=70 and x<80:
return 'C'
elif x>=60 and x<70:
return 'D'
else:
return 'E'
df2['Score_Label'] = df2['Score'].map(mapfun)
結果是同樣的：
自定義函數 + apply
如果還想簡潔代碼，可以使用自定義函數 + apply來干掉自定義函數：
df3 = df.copy()
df3['Score_Label'] = df3['Score'].apply(lambda x: 'A' if x > 90 else (
'B' if 90 > x >= 80 else ('C' if 80 > x >= 70 else ('D' if 70 > x >= 60 else 'E'))))
結果和上面是一致的，只不過這么寫容易被打。
使用 pd.cut
現在，讓我們繼續了解更高級的pandas函數，依舊是對 Score 進行編碼，使用pd.cut，并指定劃分的區間后，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，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，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
文本型數據
下面介紹更常見的，對文本數據進行轉換打標簽。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相關方法依舊是可行的：
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['Course Name'].value_counts()
value_map = dict((v, i) for i,v in enumerate(value.index))
df6['Course Name_Label'] = df6.replace({'Course Name':value_map})['Course Name']
使用map
額外強調的是，新增一列，一定要能夠想到map
df7 = df.copy()
Map = {elem:index for index,elem in enumerate(set(df["Course Name"]))}
df7['Course Name_Label'] = df7['Course Name'].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，能實現的方法太多了：
df8 = df.copy()
value = df8['Course Name'].astype('category')
df8['Course Name_Label'] = value.cat.codes
使用 sklearn
同數值型一樣，這種機器學習中的經典操作，sklearn一定有辦法，使用LabelEncoder可以對分類數據進行編碼：
from sklearn.preprocessing import LabelEncoder
df9 = df.copy()
le = LabelEncoder()
le.fit(df9['Sex'])
df9['Sex_Label'] = le.transform(df9['Sex'])
le.fit(df9['Course Name'])
df9['Course Name_Label'] = le.transform(df9['Course Name'])
一次性轉換兩列也是可以的：
df9 = df.copy()
le = OrdinalEncoder()
le.fit(df9[['Sex','Course Name']])
df9[['Sex_Label','Course Name_Label']] = le.transform(df9[['Sex','Course Name']])
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，雖然一個數據對應一個語言，因為避免寫自定義函數或者字典，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，還有什么優雅的辦法?這時可以使用factorize，它會根據出現順序進行編碼：
df10 = df.copy()
df10['Course Name_Label'] = pd.factorize(df10['Course Name'])[0]
結合匿名函數，我們可以做到對多列進行有序編碼轉換
df10 = df.copy()
cat_columns = df10.select_dtypes(['object']).columns
df10[['Sex_Label', 'Course Name_Label']] = df10[cat_columns].apply(
lambda x: pd.factorize(x)[0])
總結
至此，我要介紹的十種pandas數據編碼的方法就分享完畢，代碼拿走修改變量名就能用。
現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據編碼轉換一樣，確實有很多方法可以實現顯得很亂，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，你只需知道有這么個函數能完成這樣操作，需要用時能想到，想到再來查就行。
