最近在知乎上看到这样一个问题：
题主表示pandas用起来很乱，事实真的如此吗?本文就将先如何利用pandas来行数据转换/编码的十种方案，最后再回答这个问题。
其实这个操作在机器学习中十分常见，很多算法都需要我们对分类特征进行转换(编码)，即根据某一列的值，新增(修改)一列。
为了方便理解，下面创建示例DataFrame：
数值型数据
让我们先来讨论连续型数据的转换，也就是根据Score列的值，来新增一列标签，即如果分数大于90，则标记为A，分数在80-90标记为B，以此类推。
自定义函数 + 循环遍历
首先当然是最简单，最笨的方法，自己写一个函数，并用循环遍历，那肯定就是一个def加一个for：
df1 = df.copy() def myfun(x): if x>90: return 'A' elif x>=80 and x<90: return 'B' elif x>=70 and x<80: return 'C' elif x>=60 and x<70: return 'D' else: return 'E' df1['Score_Label'] = None for i in range(len(df1)): df1.iloc[i,3] = myfun(df1.iloc[i,2])
这段代码，相信所有人都能看懂，简单好想但比较麻烦
有没有更简单的办法呢？pandas当然提供了很多高效的操作的函数，继续往下看。
自定义函数 + map
现在，可以使用map来干掉循环(虽然本质上也是循环)：
df2 = df.copy() def mapfun(x): if x>90: return 'A' elif x>=80 and x<90: return 'B' elif x>=70 and x<80: return 'C' elif x>=60 and x<70: return 'D' else: return 'E' df2['Score_Label'] = df2['Score'].map(mapfun)
结果是同样的：
自定义函数 + apply
如果还想简洁代码，可以使用自定义函数 + apply来干掉自定义函数：
df3 = df.copy() df3['Score_Label'] = df3['Score'].apply(lambda x: 'A' if x > 90 else ( 'B' if 90 > x >= 80 else ('C' if 80 > x >= 70 else ('D' if 70 > x >= 60 else 'E'))))
结果和上面是一致的，只不过这么写容易被打。
使用 pd.cut
现在，让我们继续了解更高级的pandas函数，依旧是对 Score 进行编码，使用pd.cut，并指定划分的区间后，可以直接帮你分好组：
df4 = df.copy() bins = [0, 59, 70, 80, 100] df4['Score_Label'] = pd.cut(df4['Score'], bins)
也可以直接使用labels参数来修改对应组的名称，是不是方便多了：
df4['Score_Label_new'] = pd.cut(df4['Score'], bins, labels=[ 'low', 'middle', 'good', 'perfect'])
使用 sklearn 二值化
既然是和机器学习相关，sklearn肯定跑不掉，如果需要新增一列并判定成绩是否及格，就可以使用Binarizer函数，代码也是简洁好懂：
df5 = df.copy() binerize = Binarizer(threshold = 60) trans = binerize.fit_transform(np.array(df1['Score']).reshape(-1,1)) df5['Score_Label'] = trans
文本型数据
下面介绍更常见的，对文本数据进行转换打标签。例如新增一列，将性别男、女分别标记为0、1
使用 replace
首先介绍replace，但要注意的是，上面说过的自定义函数相关方法依旧是可行的：
df6 = df.copy() df6['Sex_Label'] = df6['Sex'].replace(['Male','Female'],[0,1])
上面是对性别操作，因为只有男女，所以可以手动指定0、1，但要是类别很多，也可以使用pd.value_counts()来自动指定标签，例如对Course Name列分组：
df6 = df.copy() value = df6['Course Name'].value_counts() value_map = dict((v, i) for i,v in enumerate(value.index)) df6['Course Name_Label'] = df6.replace({'Course Name':value_map})['Course Name']
使用map
额外强调的是，新增一列，一定要能够想到map
df7 = df.copy() Map = {elem:index for index,elem in enumerate(set(df["Course Name"]))} df7['Course Name_Label'] = df7['Course Name'].map(Map)
使用astype
这个方法应该很多人不知道，这就属于上面提到的知乎问题，能实现的方法太多了：
df8 = df.copy() value = df8['Course Name'].astype('category') df8['Course Name_Label'] = value.cat.codes
使用 sklearn
同数值型一样，这种机器学习中的经典操作，sklearn一定有办法，使用LabelEncoder可以对分类数据进行编码：
from sklearn.preprocessing import LabelEncoder df9 = df.copy() le = LabelEncoder() le.fit(df9['Sex']) df9['Sex_Label'] = le.transform(df9['Sex']) le.fit(df9['Course Name']) df9['Course Name_Label'] = le.transform(df9['Course Name'])
一次性转换两列也是可以的：
df9 = df.copy() le = OrdinalEncoder() le.fit(df9[['Sex','Course Name']]) df9[['Sex_Label','Course Name_Label']] = le.transform(df9[['Sex','Course Name']])
使用factorize
最后，再介绍一个小众但好用的pandas方法，我们需要注意到，在上面的方法中，自动生成的Course Name_Label列，虽然一个数据对应一个语言，因为避免写自定义函数或者字典，这样可以自动生成，所以大多是无序的。
如果我们希望它是有序的，也就是 Python 对应 0，Java对应1，除了自己指定，还有什么优雅的办法?这时可以使用factorize，它会根据出现顺序进行编码：
df10 = df.copy() df10['Course Name_Label'] = pd.factorize(df10['Course Name'])[0]
结合匿名函数，我们可以做到对多列进行有序编码转换
df10 = df.copy() cat_columns = df10.select_dtypes(['object']).columns df10[['Sex_Label', 'Course Name_Label']] = df10[cat_columns].apply( lambda x: pd.factorize(x)[0])
总结
至此，我要介绍的十种pandas数据编码的方法就分享完毕，代码拿走修改变量名就能用。
现在回到文章开头的问题，如果你觉得pandas用起来很乱，说明你可能还未对pandas有一个全面且彻底的了解。
其实就像本文介绍数据编码转换一样，确实有很多方法可以实现显得很乱，但学习pandas的正确姿势就是应该把它当成字典来学，不必记住所有方法与细节，你只需知道有这么个函数能完成这样操作，需要用时能想到，想到再来查就行。
原文地址:https://mp.weixin.qq.com/s?__biz=Mzg5OTU3NjczMQ==&mid=2247523042&idx=1&sn=cc488e07e3659245834f2e6fd796c521&chksm=c053fc16f72475009949721f37d20db87ac15e4d2e26ec6c9c78e56006fad37eca9d99353995&mpshare=1&scene=23&srcid=0420PPTxlUV6TD1to7M8xZCI&sharer_sharetime=1650427108724&sharer_shareid=c01707d0f17ed01b69a77c2668e647eb#rd
