何时使用类别而不是对象？

Question

我有一个包含40个特征的CSV数据集，使用Pandas进行处理。其中7个特征是连续型（int32），其余的都是分类型。

我的问题是：

对于分类特征，我应该使用Pandas的dtype('category')还是可以让它默认为dtype('object')？

- user4640449

---

没有理由不在这里使用一个类别。如果字符串非常长，还可以节省很多空间/内存（你可以用info()或memory_usage()来检查一下）。另外，dtype中的't'不应该大写。 - JohnE

Answer 1

当您希望利用大量重复时，请使用类别（category）。

例如，假设我想为一张大的交易表计算每个交易所的总量。在这种情况下，默认使用 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

但由于可能的交换清单相当少，并且存在许多重复，因此我可以通过使用 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

请确认以下是否符合您的要求：

---

请注意，分类实际上是一种动态枚举形式。如果可能值的范围是固定且有限的，则它们最为有用。

---

- chrisaycock

---

谢谢你的回答！因此，分类类型更适合进行内存优化。 - user4640449

使用Categorical的另一个原因是它们可以（但默认情况下不会）为您的类别提供排序。例如，['small'，'medium'，'large']。然后您就可以按此进行排序！请参阅此处的文档。 - Jeff

Answer 2

Pandas文档中有一个关于何时使用数据类型的简洁部分：

categorical数据类型在以下情况下很有用：

• 字符串变量只包含少量不同的值。将这样的字符串变量转换为分类变量将节省一些内存，参见这里。
• 变量的词汇顺序与逻辑顺序不同（“one”，“two”，“three”）。通过转换为分类变量并在类别上指定顺序，排序和最小/最大值将使用逻辑顺序而不是词汇顺序，参见这里。
• 作为向其他Python库发出信号的标志，表明此列应视为分类变量（例如，使用合适的统计方法或图表类型）。

- willk

---

对象和分类变量有什么区别？哪一个等同于R中的“因子”？ - skan