目录

数值型数据自定义函数 + 循环遍历自定义函数 + map自定义函数 + apply使用 pd.cut使用 sklearn 二值化文本型数据使用 replace使用map使用astype使用 sklearn使用factorize总结

大家好，我是早起。

最近在知乎上看到这样一个问题

题主表示pandas用起来很乱，事实真的如此吗？本文就将先如何利用pandas来行数据转换/编码的十种方案，最后再回答这个问题。

其实这个操作在机器学习中十分常见，很多算法都需要我们对分类特征进行转换（编码），即根据某一列的值，新增（修改）一列。

为了方便理解，下面创建示例DataFrame

数值型数据

让我们先来讨论连续型数据的转换，也就是根据Score列的值，来新增一列标签，即如果分数大于90，则标记为A，分数在80-90标记为B，以此类推。

自定义函数 + 循环遍历

首先当然是最简单，最笨的方法，自己写一个函数，并用循环遍历，那肯定就是一个def加一个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])

这段代码，相信所有人都能看懂，简单好想但比较麻

有没有更简单的办法呢？pandas当然提供了很多高效的操作的函数，继续往下看。

自定义函数 + map

现在，可以使用map来干掉循环（虽然本质上也是循环）

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)

结果是同样的

自定义函数 + apply

如果还想简洁代码，可以使用自定义函数 + apply来干掉自定义函数

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"))))

结果和上面是一致的，只不过这么写容易被打。

使用 pd.cut

现在，让我们继续了解更高级的pandas函数，依旧是对Score进行编码，使用pd.cut，并指定划分的区间后，可以直接帮你分好组

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参数来修改对应组的名称，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

既然是和机器学习相关，sklearn肯定跑不掉，如果需要新增一列并判定成绩是否及格，就可以使用Binarizer函数，代码也是简洁好懂

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

文本型数据

下面介绍更常见的，对文本数据进行转换打标签。例如新增一列，将性别男、女分别标记为0、1

使用 replace

首先介绍replace，但要注意的是，上面说过的自定义函数相关方法依旧是可行的

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

上面是对性别操作，因为只有男女，所以可以手动指定0、1，但要是类别很多，也可以使用pd.value_counts()来自动指定标签，例如对Course Name列分组

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

额外强调的是，新增一列，一定要能够想到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

这个方法应该很多人不知道，这就属于上面提到的知乎问题，能实现的方法太多了

df8 = df.copy()
value = df8["Course Name"].astype("category")
df8["Course Name_Label"] = value.cat.codes

使用 sklearn

同数值型一样，这种机器学习中的经典操作，sklearn一定有办法，使用LabelEncoder可以对分类数据进行编码

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"])

一次性转换两列也是可以的

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，再介绍一个小众但好用的pandas方法，我们需要注意到，在上面的方法中，自动生成的Course Name_Label列，虽然一个数据对应一个语言，因为避免写自定义函数或者字典，这样可以自动生成，所以大多是无序的。

如果我们希望它是有序的，也就是Python对应0，Java对应1，除了自己指定，还有什么优雅的办法？这时可以使用factorize，它会根据出现顺序进行编码

df10 = df.copy()
df10["Course Name_Label"] = pd.factorize(df10["Course Name"])[0]

结合匿名函数，我们可以做到对多列进行有序编码转换

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])

总结

至此，我要介绍的十种pandas数据编码的方法就分享完毕，代码拿走修改变量名就能用

现在回到文章开头的问题，如果你觉得pandas用起来很乱，说明你可能还未对pandas有一个全面且彻底的了解。

其实就像本文介绍数据编码转换一样，确实有很多方法可以实现显得很乱，但学习pandas的正确姿势就是应该把它当成字典来学，不必记住所有方法与细节，你只需知道有这么个函数能完成这样操作，需要用时能想到，想到再来查就行。

以上就是Pandas进行数据编码的十种方式总结的详细内容，更多关于Pandas数据编码的资料请关注脚本之家其它相关文章！

关键词： 数据编码 可以使用 机器学习 相关文章 十分常见