Pandas数据分析16——pandas生成虚拟变量,因子化,列表爆炸等操作
参考书目:《深入浅出Pandas:利用Python进行数据处理与分析》
pandas对数据框的分类变量有很多独特的操作,可以方便我们生成虚拟变量,或者是将文本型分类数据转化为数值型分类数据等等。
对分类型数据分成很多列,并且自己取值列为1,其他取值为0 ,这个做法在计量经济学里面叫虚拟变量,计算机科学里面叫独立热编码,机器学习里面叫生成哑变量,其实都是一回事。
导入包
import numpy as np
import pandas as pd
虚拟变量 pd.get_dummies()
#语法结构如下:
pd.get_dummies(data, prefix=None,prefix_sep='_', dummy_na=False,
columns=None, sparse=False,drop_first=False, dtype=None)
其中:
prefix:新列的前缀
prefix_sep:新列前缀的连接符
drop_first:是否删除第一列
dummy_na:缺失值是否分一个类
首先生成案例数据
df = pd.DataFrame({'key': list('bbacab'), 'data1': range(6)})
df
对key这一列生成虚拟变量
pd.get_dummies(df['key'])
#用 prefix 给新表列名增加前缀:
pd.get_dummies(df['key'], prefix='key')
#可以直接传入 DataFrame 使用:
df = pd.DataFrame({'A': ['a', 'b', 'a'],'B': ['c', 'c', 'b'],'C': [1, 2, 3]})
df
# 最后一列数值数据不会被处理
pd.get_dummies(df)
#指定列:并且删除初始列
pd.get_dummies(df, columns=['A'],drop_first=True)
为什么删除初始列,因为n个分类变量有n列的话,会出现完全的多重共线性,此时称为虚拟变量陷阱。在做最小二乘这种害怕多重共线性的方法时就只能取n-1列变量。其他像随机森林,梯度提升等等不害怕多重共线性的方法就无所谓,
因子化
#因子化值是指将个一维的数据,由于在大量的重复值,可以解析成枚举值,这样我们就方便进行分辨。
#factorize 既可以用作顶层函数 pandas.factorize(),也可以用作Series.factorize() 和 Index.factorize() 方法。
#基本方法,将一个方法进行因子化后将返回两个值,一个是因子化后的编码列表,一个是原数据的去重值列表:
codes, uniques = pd.factorize(['b', 'b', 'a', 'c', 'b'])
print(codes)
print(uniques)
#排序, 使用 sort=True 参数后将对唯一性进行排序,编码列表将继续与原值保持对应关系,但从值的大小上将体现出顺序。
codes, uniques = pd.factorize(['b', 'b', 'a', 'c', 'b'], sort=True)
print(codes) # array([1, 1, 0, 2, 1])
print(uniques) # array(['a', 'b', 'c'], dtype=object)
#缺失值, 缺失值不会出现在唯一值列表中,在编码中将为 -1:
codes, uniques = pd.factorize(['b', None, 'a', 'c', 'b'])
print(codes) # array([ 0, -1, 1, 2, 0])
print(uniques) # array(['b', 'a', 'c'], dtype=object)
利用这种方法可以快速的将我们的字符型分类变量转化为数值型变量。
爆炸列表
#爆炸这个词非常形象,是指将类似列表的每个元素转换为一行,索引值是相同的。这个操作也叫 unnest (explode)
生成案例数据
s = pd.Series([[1, 2, 3], 'foo', [], [3, 4]])
s
s.explode()
生成案例df
df = pd.DataFrame({'A': [[1, 2, 3], 'foo', [], [3, 4]], 'B': [1,2]*2})
df
df.explode('A') #B列的值是对应的
B列的值是对应的
#Pandas 1.3.0 开始支持多列的炸开:df = pd.DataFrame({'A': [[0, 1, 2], 'foo', [], [3, 4]],'B': 1,'C': [['a', 'b', 'c'], np.nan, [], ['d', 'e']]})
df
炸开A、C两列
# A、C 两列执行
df.explode(list('AC'))
'''A B C
0 0 1 a
0 1 1 b
0 2 1 c
1 foo 1 NaN
2 NaN 1 NaN
3 3 1 d
3 4 1 e
'''
#炸开非列表,有时候遇到不是列表的,但是具有列表的特质,我们也可以处理:
df = pd.DataFrame([{'var1': 'a,b,c', 'var2': 1},{'var1': 'd,e,f', 'var2': 2}])
df
var1不是列表,但是我们可以分割成列表
#看看 var1 列,我们发现可以处理成列表:
df.assign(var1=df.var1.str.split(',')).explode('var1')
#横向爆炸 以上的操作都是竖向爆炸,如果想横向爆炸,可以考虑使用以下方法。
df = pd.DataFrame({'name':['A', 'B', 'C', 'D'],'age':[10, 20, 30, 40],'code':[['c1', 'c2'], ['c2', 'c3'], ['c1'], ['c1', 'c3']]})
df
构建临时的df
temp = df['code'].apply(pd.Series).add_prefix('code_')
temp = pd.DataFrame(df.code.to_list()).add_prefix(f'{df.code.name}_')
temp
#再和原数据拼接起来
pd.concat([df, temp], axis=1)
数据转置
类似矩阵转置:df.T就行
例如
d2 = {'name': ['Alice', 'Bob'],'score': [9.5, 8],'employed': [False, True],'kids': [0, 0]}
df2 = pd.DataFrame(data=d2)
df2
df2.T
#轴交换 swapaxes
#Pandas 提供了一个 DataFrame.swapaxes(axis1, axis2, copy=True) 用来做轴(行列)交换。如果行列交换就相当于 df.T。
df.swapaxes("index", "columns") # 行列交换,相当于 df.T
df.swapaxes("columns", "index") # 同上
df.swapaxes("index", "columns", copy=True) # 使生效
df.swapaxes("columns", "columns") # 无变化
df.swapaxes("index", "index") # 无变化
Pandas数据分析16——pandas生成虚拟变量,因子化,列表爆炸等操作相关推荐
- Pandas数据分析18——pandas文本处理
参考书目:<深入浅出Pandas:利用Python进行数据处理与分析> pandas对文本数据也有很多便捷处理方法,可以不用写循环,向量化操作运算速度快,还可以进行高级的正则表达式,各种复 ...
- 【pandas数据分析】pandas概述
文章目录 数据结构 为何不止一种数据结构? 数据的可变性和复制 pandas是一个快速.强大.灵活且易于使用的开源数据分析和操作工具,构建在Python编程语言之上,其提供了快速.灵活和富有表达性的数 ...
- 【pandas数据分析】pandas数据结构
文章目录 Series 创建Series 从dict创建 从ndarray创建 从标量创建 Series的特性 类ndarray 类dict 向量化操作与标签对齐 名称属性 DataFrame 创建D ...
- Pandas数据分析15——pandas数据透视表和交叉表
参考书目:<深入浅出Pandas:利用Python进行数据处理与分析> pandas对数据框也可以像excel一样进行数据透视表整合之类的操作.主要是针对分类数据进行操作,还可以计算数值型 ...
- Pandas数据分析14——pandas数据框的多层索引
参考书目:<深入浅出Pandas:利用Python进行数据处理与分析> pandas数据框针对高维数据,也有多层索引的办法去应对.多层数据一般长这个样子 可以看到AB两大列,下面又有xy两 ...
- Pandas数据分析17——pandas数据清洗(缺失值、重复值处理)
参考书目:<深入浅出Pandas:利用Python进行数据处理与分析> pandas对大数据有很多便捷的清洗用法,尤其针对缺失值和重复值.缺失值就不用说了,会影响计算,重复值有时候可能并未 ...
- Pandas数据分析03——pandas索引设置和操作(用法全面解析)
参考书目:<深入浅出Pandas:利用Python进行数据处理与分析> pandas的数据结构和excel表类似,会有行列,还有各自的名称,这些行列就是索引,通过索引可以快速找到数据. 建 ...
- JS逆向寻找生成bid变量的加密算法,一顿操作猛如虎,结果发现原来是混淆代码
分享一下最近我JS逆向的心得. 我最近使用Python爬取某个网站某个链接,用requests的get发送请求得到的status_code不是200,请求失败.在浏览器的开发者工具里查看该链接的详细信 ...
- 数据分析工具Pandas
数据分析工具Pandas 数据分析工具Pandas 01 Pandas的数据结构分析 Series DataFrame 02 Pandas索引操作及高级索引 索引对象 03 算术运算与数据对齐 算术运 ...
最新文章
- 机器学习将影响客户互动的8种方式
- java中volatile
- C++内联函数(inline)
- boost::transform_iterator用法的测试程序
- [css] 说说你对CSS样式覆盖规则的理解
- OpenVDB Download
- 智能仪器原理及设计C语言,智能仪器仪表课程设计.doc
- 机器学习之 特征工程
- JDK、JRE、javac和JVM的关系
- pythonlocust使用技巧_python locust 性能测试:HOOKS钩子方法
- cause: Failtodecoderequestdueto: RpcInvocation
- ●一些天马行空的随想
- Python3 网络爬虫. 4
- 一对一、一对多、多对多(实操)
- YOLOV7分割新手WIN10踩坑过程
- 计算机科学与技术3d仿真设计,三维仿真
- kernel_neon_begin
- Java---鼠标事件小实例
- 苹果手机10秒解除锁屏_Redmi 10X手机密码忘了怎么办?手机10秒解除锁屏,三步解开安卓苹果密码【详细步骤】...
- python工程监理_1.工程监理招标属于()
热门文章
- HTML5+CSS3 最酷的 loading 效果汇总
- nodejs调试工具node-inspector入门随笔
- 3626. 三元一次方程(Acwing)
- php六进制颜色,PHP RGB颜色和十六进制颜色互转
- Linux命令 - cal命令
- AqseMarkets,您身边最专业的理财专家
- 位运算-python中的“按位取反”
- 企业微信 · 剪切板:复制
- Class文件十六进制背后的秘密
- 我国2016研究的超级计算机,超级计算机top500_超级计算机有什么用_2016超级计算机排行榜(2)...