为什么从对象或 str 转换为类别时 dtype 不同？

Question

为什么在 pandas 中将列转换为类别时会收到两种不同的行为？

举个例子，假设我用

创建了一个数据框

>>> import pandas as pd
>>> import numpy as np
>>> pd.__version__
u'0.22.0'
>>> np.__version__
'1.14.0'
>>> df = pd.DataFrame(columns=['nombre'], data=[1,2,3,4])

现在我将列转换为对象：

>>> df['nombre'] = df['nombre'].astype('object')
>>> print(df['nombre'].dtype)
object

数据类型现在是对象。

>>> df['nombre'] = df['nombre'].astype('category')
>>> print(df['nombre'].cat.categories.dtype.name)
int64

转换为类别后，内部dtype为int64。

让我们从一个新的数据帧重新开始

>>> del df
>>> df = pd.DataFrame(columns=['nombre'], data=[1,2,3,4])

这一次，我们将内部列转换为 'str'

>>> df['nombre'] = df['nombre'].astype('str')
>>> print(df['nombre'].dtype)
object

内部表示是一个对象。这是有道理的，因为我们转换为 'str'.

>>> df['nombre'] = df['nombre'].astype('category')
>>> print(df['nombre'].cat.categories.dtype.name)
object

转换为类别后，内部dtype现在是object，与我们之前收到的int64不同？

所以我的问题如下，为什么在从对象 dtype 转换为类别时会收到两种不同的行为？

Answer 1

.astype(object) 不会将数字转换为字符串。它将数字转换为相应的 Python 对象（在您的示例中，numpy.int64 转换为 Python int）。

例如，

df = pd.DataFrame(columns=['nombre'], data=[1,2,3,4])

type(df['nombre'][0])
Out[64]: numpy.int64


df['nombre'] = df['nombre'].astype('object')

type(df['nombre'][0])
Out[66]: int

但是当您使用 astype(str) 时，它会将所有内容都转换为字符串。在这样做的同时，它也将系列转换为对象系列。这是因为这是唯一可以容纳字符串的数据类型。

df['nombre'] = df['nombre'].astype('str')

type(df['nombre'][0])
Out[69]: str

所以这只是与您输入的数据有关。在第一个传递 int 的方法中，您得到一个整数数组。在你传递字符串的第二个中，你得到一个对象数组。

此外，术语 "the internal dtype" 在这里可能不合适。这是包含类别的系列的数据类型；不是他们的代码。在这两个例子中，df['nombre'].cat.codes 是内部表示，它的 dtype 是 int8.

为什么从对象或 str 转换为类别时 dtype 不同？

Why dtype is different when converting to a category from an object or str?

python

categories

pandas