我有一个 Pandas 版本 0.15.2 数据框,如下所示,其中有一个序数列 rate
,最初表示为字符串。我的最终目标是找到 df 中不同行的相似性(实际上我有更多的行和更多的序数变量)。
目前,至factorize()在执行我想要的排序时,我首先将 rate
转换为 Categorical ,然后对 df
进行排序,最后进行因式分解,使 Bad
获得最小的整数值,Good
获得最高的整数值。通过这种方式,我创建了 factor_rate
列,然后我可以将其用作维度(以及其他维度)来计算相似性/距离。这些在下面的代码中给出。
但是,我觉得这是一种内存效率低下且缓慢的黑客行为。实现这一目标最快且最节省内存的方法是什么?
df = pd.DataFrame({'id' : range(1,9),
'rate' : ['bad', 'bad', 'neutral', 'good',
'neutral', 'good', 'bad', 'neutral'],
'amount' : np.random.randn(8)}, columns= ['id','rate','amount'])
df.rate = pd.Categorical(df.rate, categories=["bad","neutral","good"], ordered=True)
df = df.sort('rate', ascending=True)
df.loc[:,'factor_rate'] = pd.factorize(df.rate)[0]
注释 1:此问题链接到我之前的 one .
注释 2:我知道 pandas.factorize()
有一个 order
参数,该参数现在或很快将被弃用,所以我不能直接使用。
注释 3:我知道 Gower 指标,并且在相似性计算中序数变量应与纯数字变量区别对待,但这不是我的问题的重点。
最佳答案
如果您担心或依赖分类,那么另一种方法是在列表和顺序中定义类别,使用它创建一个字典以将顺序映射到类别,并将该字典传递给 map
:
In [560]:
df = pd.DataFrame({'id' : range(1,9),
'rate' : ['bad', 'bad', 'neutral', 'good',
'neutral', 'good', 'bad', 'neutral'],
'amount' : np.random.randn(8)}, columns= ['id','rate','amount'])
cat_list = ["bad","neutral","good"]
cat_dict = dict(zip(cat_list, np.arange(len(cat_list))))
df['factor_rate'] = df['rate'].map(cat_dict)
df
Out[560]:
id rate amount factor_rate
0 1 bad -1.436574 0
1 2 bad 0.210717 0
2 3 neutral -0.896904 1
3 4 good -1.724393 2
4 5 neutral 1.792339 1
5 6 good -1.312713 2
6 7 bad 0.555877 0
7 8 neutral -0.681881 1
按新的“factor_rate”列排序会产生与当前解决方案相同的输出:
In [562]:
df.sort('factor_rate')
Out[562]:
id rate amount factor_rate
0 1 bad -1.436574 0
1 2 bad 0.210717 0
6 7 bad 0.555877 0
2 3 neutral -0.896904 1
4 5 neutral 1.792339 1
7 8 neutral -0.681881 1
3 4 good -1.724393 2
5 6 good -1.312713 2
编辑
实际上底层编码存储在Category dtype中:
In [569]:
df = pd.DataFrame({'id' : range(1,9),
'rate' : ['bad', 'bad', 'neutral', 'good',
'neutral', 'good', 'bad', 'neutral'],
'amount' : np.random.randn(8)}, columns= ['id','rate','amount'])
df['rate'] = pd.Categorical(df.rate, categories=["bad","neutral","good"], ordered=True)
df['rate'].cat.codes
Out[569]:
0 0
1 0
2 1
3 2
4 1
5 2
6 0
7 1
dtype: int8
所以我的回答可能没有必要,链接到docs目前为空。
关于python - Pandas 相似度计算中的序数变量处理,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/29845751/