Ricostruisci una variabile categoriale dai manichini nei panda

Question

get_dummies consente di convertire una variabile categoriale in variabili fittizie. Oltre al fatto che è banale ricostruire la variabile categoriale, c'è un modo preferito/veloce per farlo?

Answer 1

In [46]: s = Series(list('aaabbbccddefgh')).astype('category') 

In [47]: s 
Out[47]: 
0  a 
1  a 
2  a 
3  b 
4  b 
5  b 
6  c 
7  c 
8  d 
9  d 
10 e 
11 f 
12 g 
13 h 
dtype: category 
Categories (8, object): [a < b < c < d < e < f < g < h] 

In [48]: df = pd.get_dummies(s) 

In [49]: df 
Out[49]: 
    a b c d e f g h 
0 1 0 0 0 0 0 0 0 
1 1 0 0 0 0 0 0 0 
2 1 0 0 0 0 0 0 0 
3 0 1 0 0 0 0 0 0 
4 0 1 0 0 0 0 0 0 
5 0 1 0 0 0 0 0 0 
6 0 0 1 0 0 0 0 0 
7 0 0 1 0 0 0 0 0 
8 0 0 0 1 0 0 0 0 
9 0 0 0 1 0 0 0 0 
10 0 0 0 0 1 0 0 0 
11 0 0 0 0 0 1 0 0 
12 0 0 0 0 0 0 1 0 
13 0 0 0 0 0 0 0 1 

In [50]: x = df.stack() 

# I don't think you actually need to specify ALL of the categories here, as by definition 
# they are in the dummy matrix to start (and hence the column index) 
In [51]: Series(pd.Categorical(x[x!=0].index.get_level_values(1))) 
Out[51]: 
0  a 
1  a 
2  a 
3  b 
4  b 
5  b 
6  c 
7  c 
8  d 
9  d 
10 e 
11 f 
12 g 
13 h 
Name: level_1, dtype: category 
Categories (8, object): [a < b < c < d < e < f < g < h] 

Quindi penso che abbiamo bisogno di una funzione per 'fare' questo come sembra essere un'operazione naturale. Forse get_categories(), vedi here

Answer 2

Sono passati alcuni anni, quindi questo potrebbe non essere stata in pandas toolkit indietro quando questa domanda è stato originariamente chiesto, ma questo approccio sembra un po 'più facile per me. idxmax restituirà l'indice corrispondente all'elemento più grande (ad esempio quello con 1). Facciamo axis=1 perché vogliamo il nome della colonna dove si verifica lo 1.

EDIT: Non mi sono preoccupato di renderlo categorico invece di una semplice stringa, ma lo si può fare allo stesso modo di @Jeff spostandolo con pd.Categorical (e pd.Series, se lo si desidera).

In [1]: import pandas as pd 

In [2]: s = pd.Series(['a', 'b', 'a', 'c']) 

In [3]: s 
Out[3]: 
0 a 
1 b 
2 a 
3 c 
dtype: object 

In [4]: dummies = pd.get_dummies(s) 

In [5]: dummies 
Out[5]: 
    a b c 
0 1 0 0 
1 0 1 0 
2 1 0 0 
3 0 0 1 

In [6]: s2 = dummies.idxmax(axis=1) 

In [7]: s2 
Out[7]: 
0 a 
1 b 
2 a 
3 c 
dtype: object 

In [8]: (s2 == s).all() 
Out[8]: True