python - 如何在 Pandas 的一个数据框中对两个类别进行分类

Question

我有一个 pd，其中包含两个包含 150 个类别的分类列。可能A 列中的值未出现在B 列中。例如

a = pd.DataFrame({'A':list('bbaba'),  'B':list('cccaa')})
a['A'] = a['A'].astype('category')
a['B'] = a['B'].astype('category')

输出为

Out[217]: 
   A  B
0  b  c
1  b  c
2  a  c
3  b  a
4  a  a

还有

cat_columns = a.select_dtypes(['category']).columns
a[cat_columns] = a[cat_columns].apply(lambda x: x.cat.codes)
a

输出为

Out[220]: 
   A  B
0  1  1
1  1  1
2  0  1
3  1  0
4  0  0

我的问题是，在 A 列中，b 被视为 1，但在 B 列中，c 被视为1。但是，我想要这样的东西:

Out[220]: 
   A  B
0  1  2
1  1  2
2  0  2
3  1  0
4  0  0

其中 2 被视为 c。

请注意，我有 150 个不同的标签。

Answer 1

使用pd.Categorical()您可以指定类别列表:

In [44]: cats = a[['A','B']].stack().sort_values().unique()

In [45]: cats
Out[45]: array(['a', 'b', 'c'], dtype=object)

In [46]: a['A'] = pd.Categorical(a['A'], categories=cats)

In [47]: a['B'] = pd.Categorical(a['B'], categories=cats)

In [48]: a[cat_columns] = a[cat_columns].apply(lambda x: x.cat.codes)

In [49]: a
Out[49]:
   A  B
0  1  2
1  1  2
2  0  2
3  1  0
4  0  0