在Python Pandas中与因子变量最接近的等效变量是什么？

Question

在Python pandas中，最接近R Factor variable的等效变量是什么？

- Amelio Vazquez-Reina

---

请查看此链接，似乎他们已经将pandas.Factor添加为因子列。但我认为这并不完全等同，特别是在缺失数据的情况下。 - agstudy

https://dev59.com/RWsz5IYBdhLWcg3wj4ra - Stephen

Answer 1

这个问题似乎是来自一年前的，但由于它仍然开放，这里有一个更新。pandas引入了categorical数据类型，它的操作方式非常类似于R语言中的factors。请参见此链接获取更多信息：

http://pandas-docs.github.io/pandas-docs-travis/categorical.html

下面是从上述链接中复制出来的代码片段，展示了如何在pandas中创建一个“factor”变量。

In [1]: s = Series(["a","b","c","a"], dtype="category")

In [2]: s
Out[2]: 
0    a
1    b
2    c
3    a
dtype: category
Categories (3, object): [a < b < c]

- sriramn

---

截至2022年07月18日，上述链接已经失效。 - Michael Tuchman

新链接：https://pandas.pydata.org/docs/user_guide/categorical.html - undefined

Answer 2

如果你想进行建模等操作，patsy库中有很多有用的因子。我承认我自己也曾经苦恼过这个问题。我发现这些幻灯片很有帮助。但愿我能提供更好的例子，但这是我自己所得到的。

- badgley

Answer 3

如果您想像R一样将分类变量映射为数字，Pandas实现了一个函数，可以为您提供这个功能：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.factorize.html

import pandas as pd

df = pd.read_csv('path_to_your_file')
df['new_factor'], _ = pd.factorize(df['old_categorical'], sort=True)

此函数返回枚举映射以及唯一值列表。如果只是进行变量赋值，则必须像上面那样放弃后者。

如果您想要自己的解决方案，可以在函数中使用集合和字典的组合。这种方法在多个列上应用起来更容易，但您必须注意None、NaN等将作为此方法中的类别包含在内。

def factor(var):
    var_set = set(var)
    var_set = {x: y for x, y in [pair for pair in zip(var_set, range(len(var_set)))]}
    return [var_set[x] for x in var]


df['new_factor1'] = df['old_categorical1'].apply(factor)
df[['new_factor2', 'new_factor3']] = df[['old_categorical2', 'old_categorical3']].apply(factor)

- jpcsoup

Answer 4

C # array containing category data
V # array containing numerical data

H = np.unique(C)
mydict = {}
for h in H:
    mydict[h] = V[C==h]


boxplot(mydict.values(), labels=mydict.keys())

- Dan Krahenbuhl