Python 在数据帧列中整数编码后将数据类型保留为类别

我有一个从csv读取的Pandas数据帧，它有一些带有字符串值的列，但实际上是

对象

类型。因为它们是分类的，所以我将它们转换成

类别

，然后转换成整数表示，然后拟合一个随机森林回归器

for col in df_raw.select_dtypes(include='object'):
    df_raw[col] = df_raw[col].astype('category')
    df_raw[col] = df_raw[col].cat.codes #not 'category' type anymore.

问题是如果我这样做，那么

dtype

会立即转换为

int

，我会丢失

cat

信息，这是我以后需要的

例如，在循环的第一行之后，我可以运行

df_raw[col].cat

，并按照预期获得索引类别。但一旦执行第二行，列

dtype

变为

int8

，我将得到错误：

只能将.cat访问器与“category”数据类型一起使用`

从某种意义上说，这是非常合理的，因为它的数据类型是

int8

---

是否可以在同一数据帧中保留类别编码信息，同时使用整数编码以适应回归器？怎么做？

1。简单的想法

为什么不在回归拟合中使用衍生列，例如：

df_raw[col + '_calculated'] = df_raw[col].cat.codes

通过这种方式，您既有一个分类列

col

，该列不会更改此功能，也有一个“计算”列，根据进一步处理的需要带有

int

s

2。更聪明的方法

另一种方法是，在将数据帧传递给

fit

方法之前，将其包装起来，这样回归器就可以访问

.cat.codes

而不是直接访问分类值：

def access_wrapper(dframe, col):
   yield from dframe[col].cat.codes

fit(..., access_wrapper(df, col))

---

通过这种方式，您根本不会影响数据帧，也不会从

df[col]

复制值，而每次访问值时都会调用

dframe[col].cat.code

（这应该相当快）.

请给出一个输入示例。更精确的输入确实有助于准确地解决问题。您希望（现在正确地）整数编码列成为分类数据类型，有什么原因吗？列数据类型的主要原因是pandas/numpy能够有效地处理它们…@roganjosh我更新了问题，它是否完整。@G.Anderson，只是因为我希望以后能够查找编码，而不必跟踪额外的列集或新变量。或者说，为了方便重新排序，如果我没有弄错的话，那么我实际上是按照上面的步骤添加了一个额外的列。我有大约20个分类列，这意味着有20个新列添加到数据框架中。这正是我想要避免的。请看我建议的第二种方法。一种形式的访问器应该对您有所帮助。我喜欢第二种方法，并回答了我最初的问题。