通常情况下，数据集中会存在许多同一类别的信息，比如相同国家、相同行政编码、相同性别等，当这些相同类别的数据多次出现时，就会给数据处理增添许多麻烦，导致数据集变得臃肿，不能直观、清晰地展示数据。
针对上述问题，Pandas 提供了分类对象（Categorical Object），该对象能够实现有序排列、自动去重的功能，但是它不能执行运算。本节，我们了解一下分类对象的使用。
对象创建
我们可以通过多种方式创建分类对象，下面介绍以下两种方法：
1) 指定dtype创建
- import pandas as pd
- s = pd.Series(["a","b","c","a"], dtype="category")
- print(s)
输出结果：
0 a 1 b 2 c 3 a dtype: category Categories (3, object): [a, b, c]
通过上述示例，您可能会注意到，虽然传递给 Series 四个元素值，但是它的类别为 3，这是因为 a 的类别存在重复。
2) pd.Categorical
通过 Category 的构造函数，您可以创建一个类别对象。构造函数，如下所示：
pandas.Categorical(values, categories, ordered)
values：以列表的形式传参，表示要分类的值。
ordered：布尔值，默认为 False，若为 Ture，表示对分类的数据进行排序。
dtype：返回一个 category 类型，表示分类对象。
示例如下：
- import pandas as pd
- #自动按a、b、c分类
- cat = pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c'])
- print(cat)
输出结果：
[a, b, c, a, b, c] Categories (3, object): [a, b, c]
再看一组示例：
- import pandas as pd
- cat=pd.Categorical(['a','b','c','a','b','c','d'], ['c', 'b', 'a'])
- print(cat)
输出结果：
[a, b, c, a, b, c, NaN] Categories (3, object): [c, b, a]
上述示例中，第二个参数值表示类别，当列表中不存在某一类别时，会自动将类别值设置为 NA。
通过指定ordered=True来实现有序分类。示例如下：
- import pandas as pd
- cat=pd.Categorical(['a','b','c','a','b','c','d'], ['c', 'b', 'a'],ordered=True)
- print(cat)
- #求最小值
- print(cat.min())
输出结果：
[a, b, c, a, b, c, NaN] Categories (3, object): [c < b < a] c
获取统计信息
对已经分类的数据使用 describe() 方法，您会得到和数据统计相关的摘要信息。
- import pandas as pd
- import numpy as np
- cat = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
- df = pd.DataFrame({"cat":cat, "s":["a", "c", "c", np.nan]})
- print(df.describe())
- print(df["cat"].describe())
输出结果：
cat s count 3 3 unique 2 2 top c c freq 2 2 count 3 unique 2 top c freq 2 Name: cat, dtype: object
获取类别属性
使用obj.categories命令可以获取对象的类别信息。示例如下：
- import pandas as pd
- import numpy as np
- s = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
- print (s.categories)
输出结果：
Index(['b', 'a', 'c'], dtype='object')
通过 obj.order 可以获取 order 指定的布尔值：
- import pandas as pd
- import numpy as np
- cat = pd.Categorical(["a", "c", "c", np.nan], categories=["b", "a", "c"])
- #False表示未指定排序
- print (cat.ordered)
输出结果：
False
重命名类别
要想对类别实现重命名，可以通过 Series.cat.categories 来实现的，示例如下：
- import pandas as pd
- s = pd.Series(["a","b","c","a"], dtype="category")
- #对类名重命名
- s.cat.categories = ["Group %s" % g for g in s.cat.categories]
- print(s.cat.categories)
输出结果：
Index(['Group a', 'Group b', 'Group c'], dtype='object')
追加新类别
使用 s.cat.add_categories() 方法，可以追加新类别。
- import pandas as pd
- s = pd.Series(["a","b","c","a"], dtype="category")
- #追加新类别
- s = s.cat.add_categories([5])
- #查看现有类别
- print(s.cat.categories)
输出结果：
Index(['a', 'b', 'c', 5], dtype='object')
删除类别
使用 remove_categories() 方法，可以删除不需要的类别。示例如下：
- import pandas as pd
- s = pd.Series(["a","b","c","a"], dtype="category")
- #原序列
- print(s)
- #删除后序列
- print(s.cat.remove_categories("a"))
输出结果
0 a 1 b 2 c 3 a dtype: category Categories (3, object): [a, b, c] 0 NaN 1 b 2 c 3 NaN dtype: category Categories (2, object): [b, c]
分类对象比较
在下述两种情况下，我们可以对分类对象进行比较：
- 当两个类别对象长度相同时，可以进行比较运算；
- 当两个类别的 ordered 均等于 True，并且类别相同时，可以进行比较运算，比如 ==，！=，>，>=，< 和 <=。
示例如下：
- import pandas as pd
- s1=['a','a','b','d','c']
- #当满足两个类别长度相同时
- ss0=pd.Categorical(s1,categories=['a','d','b','c'])
- ss1 = pd.Categorical(s1)
- print(ss0==ss1)
输出结果：
array([ True, True, True, True, True])
示例如下：
import pandas as pd
- s1=['a','a','b','d','c']
- s2=['a','b','b','d','c']
- #满足上述第二个条件，类别相同，并且ordered均为True
- ss0=pd.Categorical(s1,categories=['a','d','b','c'],ordered=True)
- ss1 = pd.Categorical(s2,categories=['a','d','b','c'],ordered=True)
- print(ss0<ss1)
输出结果：
array([False, True, False, False, False])