用这么久pandas才知道 category里的这些坑！

pandas有一个特别的数据类型叫category，如其名一样，是一种分类的数据类型。category很娇气，使用的时候稍有不慎就会进坑，因此本篇将介绍在pandas中，

1. 为什么要使用category？

2. 以及使用category时需要注意的一些坑！

文中使用的pandas版本为1.2.3，于今年2021年3月发布的。

为什么使用category数据类型？

总结一下，使用category有以下一些好处：

内存使用情况：对于重复值很多的字符串列，category可以大大减少将数据存储在内存中所需的内存量;

运行性能：进行了一些优化，可以提高某些操作的执行速度

算法库的适用：在某些情况下，一些算法模型需要category这种类型。比如，我们知道lightgbm相对于xgboost优化的一个点就是可以处理分类变量，而在构建模型时我们需要指定哪些列是分类变量，并将它们调整为category作为超参数传给模型。

一个简单的例子。

df_size = 100_000

df1 = pd.DataFrame（

{

“float_1”： np.random.rand（df_size），

“species”： np.random.choice（［“cat”， “dog”， “ape”， “gorilla”］， size=df_size），

}

）

df1_cat = df1.astype（{“species”： “category”}）

创建了两个DataFrame，其中df1包含了species并且为object类型，df1_cat复制了df1，但指定了species为category类型。

》》 df1.memory_usage（deep=True）

Index 128

float_1 800000

species 6100448

dtype： int64

就内存使用而言，我们可以直接看到包含字符串的列的成本是多高。species列的字符串大约占用了6MB，如果这些字符串较长，则将会更多。

》》 df1_cat.memory_usage（deep=True）

Index 128

float_1 800000

species 100416

dtype： int64

再看转换为category类别后的内存使用情况。有了相当大的改进，使用的内存减少了大约60倍。没有对比，就没有伤害。

这就是使用category的其中一个好处。但爱之深，责之切呀，使用它要格外小心。

使用category的一些坑！

一、category列的操作

好吧，这部分应该才是大家较为关心的，因为经常会遇到一些莫名其妙的报错或者感觉哪里不对，又不知道问题出在哪里。

首先，说明一下：使用category的时候需要格外小心，因为如果姿势不对，它就很可能变回object。而变回object的结果就是，会降低代码的性能（因为强制转换类型成本很高），并会消耗内存。

日常面对category类型的数据，我们肯定是要对其进行操作的，比如做一些转换。下面看一个例子，我们要分别对category和object类型进行同样的字符串大写操作，使用accessor的.str方法。

在非category字符串上：

》》 %timeit df1［“species”］.str.upper（）

25.6 ms ± 2.07 ms per loop （mean ± std. dev. of 7 runs， 10 loops each）

在category字符串上：

》》 %timeit df1_cat［“species”］.str.upper（）

1.85 ms ± 41.1 µs per loop （mean ± std. dev. of 7 runs， 1000 loops each）

结果很明显了。在这种情况下，速度提高了大约14倍（因为内部优化会让.str.upper（）仅对分类的唯一类别值调用一次，然后根据结果构造一个seires，而不是对结果中的每个值都去调用一次）。

怎么理解？假设现有一个列叫animal，其类别有cat和dog两种，假设样本为10000个，4000个cat和6000个dog。那么如果我用对category本身处理，意味着我只分别对cat和dog两种类别处理一次，一共两次就解决。如果对每个值处理，那就需要样本数量10000次的处理。

尽管从时间上有了一些优化，然而这种方法的使用也是有一些问题的。。。看一下内存使用情况。

》》 df1_cat［“species”］.str.upper（）.memory_usage（deep=True）

6100576

意外的发现category类型丢了。。结果竟是一个object类型，数据压缩的效果也没了，现在的结果再次回到刚才的6MB内存占用。

这是因为使用str会直接让原本的category类型强制转换为object，所以内存占用又回去了，这是我为什么最开始说要格外小心。

解决方法就是：直接对category本身操作而不是对它的值操作。 要直接使用cat的方法来完成转换操作，如下。

%timeit df1_cat［“species”］.cat.rename_categories（str.upper）

239 µs ± 13.9 µs per loop （mean ± std. dev. of 7 runs， 1000 loops each）

可以看到，这个速度就更快了，因为省去了将category类别转换为object的时间，并且内存占用也非常少。因此，这才是最优的做法。

二、与category列的合并

还是上面那个例子，但是这次增加了habitat一列，并且species中增加了sanke。

df2 = pd.DataFrame（

{

“species”： ［“cat”， “dog”， “ape”， “gorilla”， “snake”］，

“habitat”： ［“house”， “house”， “jungle”， “jungle”， “jungle”］，

}

）

df2_cat = df2.astype（{“species”： “category”， “habitat”： “category”}）

和前面一样，创建该数据集的一个category版本，并创建了一个带有object字符串的版本。如果将两个object列合并在一起的，没什么意思，因为大家都知道会发生什么，object+ object= object而已。

把object列合并到category列上

还是一个例子。

》》 df1.merge（df2_cat， on=“species”）.dtypes

float_1 float64

species object

habitat category

dtype： object

左边的df1中species列为object，右边的df2_cat中species列为category。我们可以看到，当我们合并时，在结果中的合并列会得到category+ object= object。

这显然不行了，又回到原来那样了。我们再试下其他情况。

两个category列的合并

》》 df1_cat.merge（df2_cat， on=“species”）.dtypes

float_1 float64

species object

habitat category

dtype： object

结果是：category+ category= object？

有点想打人了，但是别急，我们看看为啥。

在合并中，为了保存分类类型，两个category类型必须是完全相同的。 这个与pandas中的其他数据类型略有不同，例如所有float64列都具有相同的数据类型，就没有什么区分。

而当我们讨论category数据类型时，该数据类型实际上是由该特定类别中存在的一组值来描述的，因此一个类别包含［“cat”， “dog”， “mouse”］与类别包含［“cheese”， “milk”， “eggs”］是不一样的。上面的例子之所以没成功，是因为多加了一个snake。

因此，我们可以得出结论：

category1+ category2=object

category1+ category1=category1

因此，解决办法就是：两个category类别一模一样，让其中一个等于另外一个。

》》 df1_cat.astype（{“species”： df2_cat［“species”］.dtype}）.merge（

df2_cat， on=“species”

）.dtypes

float_1 float64

species category

habitat category

dtype： object

三、category列的分组

用category类列分组时，一旦误操作就会发生意外，结果是Dataframe会被填成空值，还有可能直接跑死。。

当对category列分组时，默认情况下，即使category类别的各个类不存在值，也会对每个类进行分组。

一个例子来说明。

habitat_df = （

df1_cat.astype（{“species”： df2_cat［“species”］.dtype}）

.merge（df2_cat， on=“species”）

）

house_animals_df = habitat_df.loc［habitat_df［“habitat”］ == “house”］

这里采用habitat_df，从上面例子得到的，筛选habitat为house的，只有dog和cat是house，看下面分组结果。

》》 house_animals_df.groupby（“species”）［“float_1”］.mean（）

species

ape NaN

cat 0.501507

dog 0.501023

gorilla NaN

snake NaN

Name： float_1， dtype： float64

在groupby中得到了一堆空值。默认情况下，当按category列分组时，即使数据不存在，pandas也会为该类别中的每个值返回结果。略坑，如果数据类型包含很多不存在的，尤其是在多个不同的category列上进行分组，将会极其损害性能。

因此，解决办法是：可以传递observed=True到groupby调用中，这确保了我们仅获取数据中有值的组。

》》 house_animals_df.groupby（“species”， observed=True）［“float_1”］.mean（）

species

cat 0.501507

dog 0.501023

Name： float_1， dtype： float64

四、category列的索引

仍以上面例子举例，使用groupby-unstack实现了一个交叉表，species作为列，habitat作为行，均为category类型。

》》 species_df = habitat_df.groupby（［“habitat”， “species”］， observed=True）［“float_1”］.mean（）.unstack（）

》》 species_df

species cat ape dog gorilla

habitat

house 0.501507 NaN 0.501023 NaN

jungle NaN 0.501284 NaN 0.501108

这好像看似也没什么毛病，我们继续往下看。为这个交叉表添加一个新列new_col，值为1。

》》 species_df［“new_col”］ = 1

TypeError： ‘fill_value=new_col’ is not present in this Categorical‘s categories

正常情况下，上面这段代码是完全可以的，但这里报错了，为什么？

原因是：species和habitat现在均为category类型。使用.unstack（）会把species索引移到列索引中（类似pivot交叉表的操作）。而当添加的新列不在species的分类索引中时，就会报错。

虽然平时使用时可能很少用分类作为索引，但是万一恰巧用到了，就要注意一下了。

总结

总结一下，pandas的category类型非常有用，可以带来一些良好的性能优势。但是它也很娇气，使用过程中要尤为小心，确保category类型在整个流程中保持不变，避免变回object。本文介绍的4个点注意点：

category列的变换操作：直接对category本身操作而不是对它的值操作。这样可以保留分类性质并提高性能。

category列的合并：合并时注意，要保留category类型，且每个dataframe的合并列中的分类类型必须完全匹配。

category列的分组：默认情况下，获得数据类型中每个值的结果，即使数据中不存在该结果。可以通过设置observed=True调整。

category列的索引：当索引为category类型的时候，注意是否可能与类别变量发生奇怪的交互作用。

编辑：jq