Pandy: get_dummies vs kategorialne

Question

Mam zestaw danych, który ma kilka kolumn z kategorycznych danych.

Używam funkcji kategorialnej do zamiany wartości kategorycznych na wartości liczbowe.

data[column] = pd.Categorical.from_array(data[column]).codes 

Niedawno natknąłem się na funkcję pandas.get_dummies. Czy są wymienne? Czy istnieje przewaga korzystania z jednego na drugim?

Answer 1

Dlaczego konwertujesz kategoryczne dane na liczby całkowite? Nie wierzę, że oszczędzasz pamięć, jeśli to jest twój cel.

df = pd.DataFrame({'cat': pd.Categorical(['a', 'a', 'a', 'b', 'b', 'c'])}) 
df2 = pd.DataFrame({'cat': [1, 1, 1, 2, 2, 3]}) 

>>> df.info() 
<class 'pandas.core.frame.DataFrame'> 
Int64Index: 6 entries, 0 to 5 
Data columns (total 1 columns): 
cat 6 non-null category 
dtypes: category(1) 
memory usage: 78.0 bytes 

>>> df2.info() 
<class 'pandas.core.frame.DataFrame'> 
Int64Index: 6 entries, 0 to 5 
Data columns (total 1 columns): 
cat 6 non-null int64 
dtypes: int64(1) 
memory usage: 96.0 bytes 

Kody kategoryczne są po prostu liczbami całkowitymi dla unikatowych pozycji w danej kategorii. Natomiast get_dummies zwraca nową kolumnę dla każdego unikalnego elementu. Wartość w kolumnie wskazuje, czy rekord ma ten atrybut.

>>> pd.core.reshape.get_dummies(df) 
Out[30]: 
    cat_a cat_b cat_c 
0  1  0  0 
1  1  0  0 
2  1  0  0 
3  0  1  0 
4  0  1  0 
5  0  0  1 

Aby uzyskać kody bezpośrednio, można użyć:

df['codes'] = [df.cat.codes.to_list()]