Python | Pandas.factorize()

Pandas是基于NumPy构建的一个强大的数据分析包，它提供了高效、方便的数据结构，可以用于数据操作和数据清洗。Pandas.factorize()是Pandas模块提供的一种数据编码方式，它将每个类别数据转换成一个整数(从0开始)，有助于进行数据分析和建模。

语法

pandas.factorize(values, sort=False, na_sentinel=-1, size_hint=None)

参数说明：

• values：需要进行编码的类别变量数据，可以是list、numpy.ndarray或pandas.Series类型。
• sort：默认为False，不进行排序。
• na_sentinel：默认为-1，当数据中存在NA值时，用na_sentinel指定替换值，可选参数。
• size_hint：可选参数，建议编码结果的长度，用于加速编码过程。

返回值：

一个tuple类型的变量，其包含两个元素：

• 编码后的整数型数组。
• 输入的各个类别变量。

示例

import pandas as pd

data = pd.Series(['cat', 'dog', 'fish', 'cat', 'bird', 'dog'])
labels, uniques = pd.factorize(data)

print(labels)
# 输出 [0 1 2 0 3 1]

print(uniques)
# 输出 ['cat' 'dog' 'fish' 'bird']

在以上示例中，我们将一个包含6个元素的序列，其中每个元素表征为一个动物类别，通过pd.factorize()函数对其进行编码。编码后的数组为[0 1 2 0 3 1]，表示6个输入类别依次对应的编码后结果。同时相应的类别变量数组为['cat' 'dog' 'fish' 'bird']。

你还可以通过将sort=True来对输入类别数据进行排序：

import pandas as pd

data = pd.Series(['cat', 'dog', 'fish', 'cat', 'bird', 'dog'])
labels, uniques = pd.factorize(data, sort=True)

print(labels)
# 输出 [0 1 2 0 3 1]

print(uniques)
# 输出 ['bird' 'cat' 'dog' 'fish']

以上示例中，对输入的数据进行排序后获取相应的编码结果和类别变量数组。当na值在输入数据中出现时，你可以传递给na_sentinel指定编码序号进行代替，默认编码序号为-1。

应用场景

Pandas.factorize()函数主要应用于数据挖掘和机器学习领域，用于编码类别数据变量，将其转换成数字编码的输入特征。因为机器学习算法往往只接受数字类型特征，而类别数据变量不可能直接输入学习算法中，因此需要使用Pandas.factorize()函数将其转化为数字整数进行分类数据变量编码。

例如，在预测模型中，用于编码分类变量特征举例。

import pandas as pd 
import numpy as np
from sklearn.linear_model import LinearRegression

# 随机生成一些数据
data = pd.DataFrame({'age': np.random.randint(18,65,size=50),
                     'sex': pd.Series(np.random.randn(50) > 0).map({True: 'Male', False: 'Female'}),
                     'salary': np.random.randint(1000,10000,size=50)})

# 将分类变量转换为数字类型
data['sex'] = pd.factorize(data['sex'])[0]

# 使用线性回归模型拟合数据集
X = data[['age', 'sex']]
y = data['salary']
model = LinearRegression().fit(X, y)

在以上代码片段中，我们随机生成一些数据，其中包含一些连续变量(age、salary)和一些分类变量(sex)。我们将sex变量使用pd.factorize()转化为数字类型，然后使用sklearn.linear_model来训练一个线性回归模型，其中包含连续变量以及数字编码后的分类变量 。