我有一個帶有分類變數的資料集，該變數沒有很好地編碼。同一類別有時以大寫字母出現，有時以小寫字母出現（以及它的幾種變體）。由于我有一個大資料集，我想利用分類 dtype 來協調類別 - 因此排除任何replace解決方案。我找到的唯一解決方案是this和this，但我覺得它們隱含地使用了替換。
我在下面報告一個玩具示例和我嘗試過的解決方案
from pandas import Series
# Create dataset
df = Series(["male", "female","Male", "FEMALE", "MALE", "MAle"], dtype="category", name = "NEW_TEST")
# Define the old, the "new" and the desired categories
original_categories = list(df.cat.categories)
standardised_categories = list(map(lambda x: x.lower(), df.cat.categories))
desired_new_cat = list(set(standardised_categories))
# Failed attempt to change categories
df.cat.categories = standardised_categories
df = df.cat.rename_categories(standardised_categories)
# Error message: Categorical categories must be unique
uj5u.com熱心網友回復：
你不應該在轉換到類別后嘗試協調。這使得類別的使用毫無意義，因為每個確切的字串都會創建一個類別。
您可以將大小寫與 協調str.capitalize，然后轉換為分類：
s = (pd.Series(["male", "female","Male", "FEMALE", "MALE", "MAle"],
name = "NEW_TEST")
.str.capitalize().astype('category')
)
如果您已經有一個類別，請轉換回字串并重新開始：
s = s.astype(str).str.capitalize().astype('category')
輸出：
0 Male
1 Female
2 Male
3 Female
4 Male
5 Male
Name: NEW_TEST, dtype: category
Categories (2, object): ['Female', 'Male']
uj5u.com熱心網友回復：
鑒于dfOP 在問題中共享的代碼示例中創建的系列，一種方法是按如下pandas.Series.str.lower方式使用.astype("category")
df = df.str.lower().astype("category")
[Out]:
0 male
1 female
2 male
3 female
4 male
5 male
如果一個人列印dtype, 一個人得到
CategoricalDtype(categories=['female', 'male'], ordered=False)
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/533403.html
標籤：Python熊猫分类数据