python - 什么时候使用类别而不是对象？

Question

我有一个 CSV 数据集，其中包含我正在使用 Pandas 处理的 40 个特征。 7 个特征是连续的 (int32)，其余特征是分类的。

我的问题是:

我应该使用 Pandas 的 dtype('category') 作为分类特征，还是可以使用默认的 dtype('object')？

Answer 1

当您希望利用大量重复时使用类别。

例如，假设我想要一个大型交易表的每个交易所的总规模。使用默认的 object 是完全合理的:

In [6]: %timeit trades.groupby('exch')['size'].sum()
1000 loops, best of 3: 1.25 ms per loop

但由于可能的交换列表非常小，而且有很多重复，我可以通过使用 category 来加快速度:

In [7]: trades['exch'] = trades['exch'].astype('category')

In [8]: %timeit trades.groupby('exch')['size'].sum()
1000 loops, best of 3: 702 µs per loop

---

请注意，类别实际上是一种动态枚举的形式。如果可能值的范围是固定且有限的，它们最有用。