最近在知乎上看到这样一个问题：题主说pandas用起来很乱。真的是这样吗？本文将先介绍如何使用pandas进行数据转换/编码的十种方案，最后再回答这个问题。事实上，这种操作在机器学习中很常见。很多算法需要我们对分类特征进行转换（编码），即根据某列的值添加（修改）一列。为了方便理解，下面创建一个示例DataFrame：数值型数据先来讨论一下连续数据的转换，即根据Score列的值添加一列新的labels，也就是如果score更大90分以上记为A，80-90分记为B，以此类推。自定义函数+循环遍历首先，当然是最简单也是最笨的方法。自己写一个函数，用循环遍历。它必须是def加上for：df1=df.copy()defmyfun(x):ifx>90:return'A'elifx>=80andx<90:return'B'elifx>=70andx<80:return'C'elifx>=60andx<70:return'D'else:return'E'df1['Score_Label']=Noneforiinrange(len(df1)):df1.iloc[i,3]=myfun(df1.iloc[i,2])这段代码，相信大家我都能看懂，想起来容易但是比较麻烦。有更容易的方法吗？当然pandas提供了很多高效的操作功能，继续往下看。Customfunction+map现在，你可以使用map来杀死循环（虽然它本质上也是一个循环）：df2=df.copy()defmapfun(x):ifx>90:return'A'elifx>=80andx<90:return'B'elifx>=70andx<80:return'C'elifx>=60andx<70:return'D'else:return'E'df2['Score_Label']=df2['Score'].map(mapfun)结果是一样的：customfunction+apply如果还是想简化代码，可以用customfunction+applykill掉自定义函数：df3=df.copy()df3['Score_Label']=df3['Score'].apply(lambdax:'A'ifx>90else('B'if90>x>=80else('C'if80>x>=70else('D'if70>x>=60else'E'))))结果和上面一致，但是容易被打出来。使用pd.cut下面继续了解pandas更高级的功能，依旧是对Score进行编码，使用pd.cut，指定划分的区间，可以直接给你分组：df4=df.copy()bins=[0,59,70,80,100]df4['Score_Label']=pd.cut(df4['Score'],bins)也可以直接用labels参数修改对应组的名字，是不是现在更方便了：df4['Score_Label_new']=pd.cut(df4['Score'],bins,labels=['low','middle','good','perfect'])使用sklearn二值化，因为它是和关于机器学习，sklearn肯定是跑不掉的。如果需要添加新列并判断成绩是否及格，可以使用Binarizer函数。代码也简单易懂：df5=df.copy()binerize=Binarizer(threshold=60)trans=binerize.fit_transform(np.array(df1['Score']).reshape(-1,1))df5['Score_Label']=transtextdata下面介绍比较常用的文本数据转换和标注方法。比如新增一列，将gendermale和female分别标记为0和1，使用replace先引入replace，但需要注意的是，上面提到的自定义函数相关的方法还是可行的：df6=df.copy()df6['Sex_Label']=df6['Sex'].replace(['Male','Female'],[0,1])上面是性别操作，因为只有男女，所以可以手动指定0、1，但是如果类别比较多，也可以使用pd.value_counts()自动指定标签，比如分组CourseName列：df6=df.copy()value=df6['CourseName'].value_counts()value_map=dict((v,i)fori,vinenumerate(value.index))df6['CourseName_Label']=df6.replace({'CourseName':value_map})['CourseName']用map来强调new要增加一列，你一定能想到mapdf7=df.copy()Map={elem:indexforindex,eleminenumerate(set(df["CourseName"]))}df7['CourseName_Label']=df7['CourseName'].map(Map)使用astype方法d，很多人不知道。这属于上面提到的知乎问题。实现方法太多了：df8=df.copy()value=df8['课程名称'].astype('category')df8['课程名称_标签']=value.cat.codes使用sklearn是一样的asnumeric类型，这个机器学习中的经典操作，sklearn一定有办法，使用LabelEncoder进行分类数据编码：fromsklearn.preprocessingimportLabelEncoderdf9=df.copy()le=LabelEncoder()le.fit(df9['Sex'])df9['Sex_Label']=le.transform(df9['Sex'])le.fit(df9['课程名称'])df9['课程名称_标签']=le.transform(df9['课程名称'])也可以一次转换两列：df9=df.copy()le=OrdinalEncoder()le.fit(df9[['Sex','CourseName']])df9[['Sex_Label','CourseName_Label']]=le.transform(df9[['Sex','CourseName']])使用factorize最后，再介绍一个小众但好用的pandas方法。我们需要注意的是，在上面的方法中，自动生成的CourseName_Label列，虽然一个数据对应一种语言，但是避免了写自定义函数或者字典，这样就可以自动生成了，所以大部分都是无序的。如果我们希望它是有序的，即Python对应0，Java对应1，除了自己指定，还有什么优雅的办法吗？这时候可以使用factorize，会按照出现的先后顺序进行编码：df10=df.copy()df10['CourseName_Label']=pd.factorize(df10['CourseName'])[0]结合匿名函数，我们可以对多列进行顺序编码转换df10=df.copy()cat_columns=df10.select_dtypes(['object']).columnsdf10[['Sex_Label','CourseName_Label']]=df10[cat_columns].apply(lambdax:pd.factorize(x)[0])至此，我要介绍的十种pandas数据编码方式就分享完了，代码去掉变量名即可使用。现在回到文章开头的问题，如果你觉得pandas使用起来比较混乱，那说明你对pandas的了解可能还不够全面透彻。其实就像本文介绍的数据编码转换，实现方式确实有很多，看起来比较乱，但是学习pandas的正确姿势是把它当作字典来学。你不必记住所有的方法和细节。你只需要知道有这样一个函数就可以完成这样的操作，需要的时候想起来，想起来的时候去查。
