Python 如何导入熊猫中的数字编码列？

我正在导入一个数据集，该数据集对许多变量进行数字编码，例如：

SEX
1 - Male
2 - Female

我对如何转换这些（因此它们在我的数据框中显示为

男性

和

女性

而不是数字）的最佳猜测是这样做：

df.SEX.replace({1: 'Male', 2: 'Female'}, inplace=True)

是否有更好/更标准的方法来实现这一点（理想情况下，作为我调用pd.read_fwf的一部分或作为多个列的单个函数）——这是一个相当大的文件，我有很多列需要以这种方式重新编码。

您可以使用：

df = pd.DataFrame({"Sex": [1, 2, 1, 1, 2, 1, 2]})

更改数据类型：

df["Sex"] = df["Sex"].astype("category")
print(df["Sex"])
Out[33]: 
0    1
1    2
2    1
3    1
4    2
5    1
6    2
Name: Sex, dtype: category
Categories (2, int64): [1, 2]

重命名类别：

df["Sex"] = df["Sex"].cat.rename_categories(["Male", "Female"])
print(df)
Out[36]: 
      Sex
0    Male
1  Female
2    Male
3    Male
4  Female
5    Male
6  Female

我在约75k的数据集上试用了它（从中选择了评论最多的30种啤酒）

replace

相当慢：

%timeit df["beer_name"].replace(rep_dict)
10 loops, best of 3: 139 ms per loop

map

的速度比预期的快（因为它会查找精确匹配）：

更改列的类别所需的时间几乎与

map

：

%timeit df["beer_name"].astype("category")
100 loops, best of 3: 2.57 ms per loop

但是，更改后，类别重命名要快得多：

df["beer_name"] = df["beer_name"].astype("category")
%timeit df["beer_name"].cat.rename_categories(range(30))
10000 loops, best of 3: 149 µs per loop

因此，第二个

map

所需时间与第一个

map

所需时间相同，但一旦更改类别，

rename\u categories

将更快。遗憾的是，读取文件时无法分配

类别

dtype。之后需要更改类型

从0.19.0版开始，您可以传递

dtype='category'

以读取\u csv（或指定要使用字典解析为类别的列）。（）

%timeit df["beer_name"].astype("category")
100 loops, best of 3: 2.57 ms per loop

df["beer_name"] = df["beer_name"].astype("category")
%timeit df["beer_name"].cat.rename_categories(range(30))
10000 loops, best of 3: 149 µs per loop