Ответ 1

Иногда вам просто нужно использовать for-loop:

for col in ['parks', 'playgrounds', 'sports', 'roading']:
    public[col] = public[col].astype('category')

Ответ 2

Вы можете использовать метод pandas.DataFrame.apply вместе с выражением lambda, чтобы решить эту проблему. В вашем примере вы можете использовать

df[['parks', 'playgrounds', 'sports']].apply(lambda x: x.astype('category'))

Я не знаю, как это выполнить на месте, поэтому обычно я получаю что-то вроде этого:

df[df.select_dtypes(['object']).columns] = df.select_dtypes(['object']).apply(lambda x: x.astype('category'))

Очевидно, вы можете заменить .select_dtypes на явные имена столбцов, если вы не хотите выбирать все определенные типы данных (хотя в вашем примере кажется, что вам нужны все типы object).

Ответ 3

Как и в pandas 0.19.0, Что нового описывает, что read_csv поддерживает разбор столбцов Categorical напрямую. Этот ответ применяется только в том случае, если вы начинаете с read_csv в противном случае, я думаю, что ответ unutbu по-прежнему лучше всего. Пример из 10 000 записей:

import pandas as pd
import numpy as np

# Generate random data, four category-like columns, two int columns
N=10000
categories = pd.DataFrame({
            'parks' : np.random.choice(['strongly agree','agree', 'disagree'], size=N),
            'playgrounds' : np.random.choice(['strongly agree','agree', 'disagree'], size=N),
            'sports' : np.random.choice(['important', 'very important', 'not important'], size=N),
            'roading' : np.random.choice(['important', 'very important', 'not important'], size=N),
            'resident' : np.random.choice([1, 2, 3], size=N),
            'children' : np.random.choice([0, 1, 2, 3], size=N)
                       })
categories.to_csv('categories_large.csv', index=False)

< 0,19,0 (или >= 19,0 без указания типа dtype)

pd.read_csv('categories_large.csv').dtypes # inspect default dtypes

children        int64
parks          object
playgrounds    object
resident        int64
roading        object
sports         object
dtype: object

>= 0.19.0

Для смешанного анализа dtypes как Categorical может быть реализовано путем передачи словаря dtype={'colname' : 'category', ...} в read_csv.

pd.read_csv('categories_large.csv', dtype={'parks': 'category',
                                           'playgrounds': 'category',
                                           'sports': 'category',
                                           'roading': 'category'}).dtypes
children          int64
parks          category
playgrounds    category
resident          int64
roading        category
sports         category
dtype: object

Производительность

Небольшое ускорение (локальный блокнот jupyter), как указано в примечаниях к выпуску.

# unutbu answer
%%timeit
public = pd.read_csv('categories_large.csv')
for col in ['parks', 'playgrounds', 'sports', 'roading']:
    public[col] = public[col].astype('category')
10 loops, best of 3: 20.1 ms per loop

# parsed during read_csv
%%timeit
category_cols = {item: 'category' for item in ['parks', 'playgrounds', 'sports', 'roading']}
public = pd.read_csv('categories_large.csv', dtype=category_cols)
100 loops, best of 3: 14.3 ms per loop

Ответ 4

Я обнаружил, что использование цикла for работает хорошо.

for col in ['col_variable_name_1', 'col_variable_name_2', ect..]:
    dataframe_name[col] = dataframe_name[col].astype(float)

Ответ 5

Блокнот Jupyter

В моем случае у меня был большой Dataframe со многими объектами, которые я хотел бы преобразовать в категорию.

Поэтому я выбрал столбцы объекта и заполнил все, что нет в NA, а затем сохранил его в исходном кадре данных, как в

# Convert Object Columns to Categories
obj_df =df.select_dtypes(include=['object']).copy()
obj_df=obj_df.fillna('Missing')
for col in obj_df:
    obj_df[col] = obj_df[col].astype('category')
df[obj_df.columns]=obj_df[obj_df.columns]
df.head()

Я надеюсь, что это может быть полезным ресурсом для дальнейшего использования

Ответ 6

Нет необходимости в циклах, Pandas может сделать это прямо сейчас, просто передайте список столбцов, которые вы хотите преобразовать, и Pandas преобразует их все.

cols = ['parks', 'playgrounds', 'sports', 'roading']:
public[cols] = public[cols].astype('category')

df = pd.DataFrame({'a': ['a', 'b', 'c'], 'b': ['c', 'd', 'e']})

>>     a  b
>>  0  a  c
>>  1  b  d
>>  2  c  e

df.dtypes
>> a    object
>> b    object
>> dtype: object

df[df.columns] = df[df.columns].astype('category')
df.dtypes
>> a    category
>> b    category
>> dtype: object