Python 相当于Stata和x27的熊猫；s编码

我正在寻找一种方法来复制Stata中的行为，它将把一个分类字符串列转换成一个数字列

x = pd.DataFrame({'cat':['A','A','B'], 'val':[10,20,30]})
x = x.set_index('cat')

其结果是：

     val
cat     
A     10
A     20
B     30

我想将cat列从字符串转换为整数，将每个唯一的字符串映射为（任意）1对1的整数。这将导致：

     val
cat     
1     10
1     20
2     30

或者，同样好的是：

  cat  val
0   1   10
1   1   20
2   2   30

有什么建议吗

非常感谢，一如既往，

---

Rob

您可以使用

pd.factorize

：

import pandas as pd

x = pd.DataFrame({'cat':('A','A','B'), 'val':(10,20,30)})
labels, levels = pd.factorize(x['cat'])
x['cat'] = labels
x = x.set_index('cat')
print(x)

屈服

     val
cat     
0     10
0     20
1     30

如果您希望复制Stata的行为，您可以在

标签中添加1：

x['cat'] = labels+1

假设将固定的一组大写英文字母作为分类变量，也可以执行以下操作：

x['cat'] = x.cat.map(lambda x: ord(x) - 64)

我认为这有点像黑客。但是，在Python中，最好是定义从字符到所需整数的映射，例如

my_map = {"A":1, ...} 
# e.g.: {x:ord(x)-64  for x in string.ascii_uppercase}
# if that's the convention you happen to desire.

然后呢

x['cat'] = x.cat.map(lambda x: my_map[x])

或者类似的东西

这比在整数映射中依赖内置函数的约定要好得多，原因有很多，（IMO）正是这样的事情让程序员分析员觉得“像”讨厌的转换，但实际上代表了您正在编写的软件的重要元数据，这暴露了高级语言（如MATLAB、STATA等）中全局便利函数的真正弱点。即使有一个内置函数碰巧随机遵守您想要使用的特定约定（“a”映射为1，“B”映射为2，等等）使用它不是一个好主意。
Stata的
encode
命令以字符串变量开始，并创建一个新的整数变量，其标签映射到原始字符串变量。熊猫中的直接模拟现在是分类变量类型，从0.15开始成为熊猫的一个完整部分（最初提出并回答这个问题后发布）

见文件

为了演示此示例，Stata命令类似于：

encode cat, generate(cat2)

鉴于熊猫司令部将：

x['cat2'] = x['cat'].astype('category')

  cat  val cat2
0   A   10    A
1   A   20    A
2   B   30    B

正如Stata对
编码所做的那样，数据存储为整数，但在默认输出中显示为字符串

您可以通过使用分类访问器
cat
查看基础整数来验证这一点。（因此，您可能不想使用“cat”作为列名。）

获取[0,0,1]的另一种方法是查看
pd.category（seq）.labels
。谢谢，@DSM。看着，我看到了
Categorical
调用
factorize
。谢谢@unutbu。仅供参考：这是一种制作精美分类散点图的绝妙方法，使用文本列作为分类。@unutbu这应该放在文档中，你能为附近的某个地方做公关吗：使用主回购；当0.13发布时，稳定的文档将被更新。可能是：数据帧（[（i[1]，i[0]），用于枚举中的i（set（x.index））]），然后合并？重要细节：这不是Stata的
编码所做的。它产生一对一的映射。@NickCox我不明白这怎么不是一对一的映射。
'A'
的每个实例变为
1
，
'B'
的每个实例变为
2
等等。这不是我在您的示例中看到的。我看到A，A，B映射到10，20，30。为什么第一个A得10分，第二个得20分？如果那是你想要的，我不明白，但这取决于你；我的观点仍然是，它不是
encode
在Stata中所做的。@NickCox获取映射的是
cat
列，而不是
val
列。
val
列保持不变，与示例无关。重要的是，根据我的例子，
cat
从
['A'，'A'，'B']
到
[1,1,2]
。我在MATLAB上给有经验的用户留下了评论。关于Stata的
encode
命令的评论令人费解。它默认将不同的字符串值按字母顺序映射到整数1以上，因此“A”、“B”、“C”将映射到1、2、3。但该默认值可以通过某些指定的字符串到整数转换方案来覆盖。如果你不想要，就不要使用它；在MATLAB中，没有明显的语言设计或哲学问题。
int64（'A'）==65
int（'A'）
在Python中引发一个
ValueError
，这在IMHO中更有意义。当然，如果你只使用MATLAB编写代码，而不与外界交流，那么这是一个没有实际意义的问题。@Nick Cox:这完全是一个设计哲学的问题。我有8年以上的MATLAB经验，4年Python经验，2年STATA经验。STATA会有这样一个内置函数，这并不困扰我，这很好。但当有人使用该函数创建分类变量（例如，回归中的伪变量）时，我确实感到很烦恼。这意味着需要一些元数据（编码），这些元数据不应该与第三方的东西耦合，本着@Phillip Cloud的精神，我想这是一个品味的问题，人们是否期望
int
以这种方式行事。因为Python中的
int（x）
只是
x的语法糖分。我不希望单个长度
str
变量与多字符
str
变量具有不同的
\uuuuu int\uuuu
，这为想要像
ord
这样的函数提供了区别，但这只是我的观点，您对Stata的经验并不能扩展到能够正确拼写其名称，或者知道Stata命令和Stata函数之间的区别。如果经验的长度是一个论点，那么感受一下我在斯塔塔工作22年的重量吧。更严重的是，更重要的是，你关于<代码>编码< /代码>的评论仍然令人费解，因为你已经改变了你的论点（实际上是一种断言），认为如果你用怀疑的方式来使用语言特征，那就被起诉了。这更多地反映了你的个人品味
x['cat2'].cat.codes

0    0
1    0
2    1