如何在Pandas Categorical中指定自定义编码规则？

你提到的cat.codes编码顺序是完全可控且可预测的，默认规则和自定义实现方法如下：

默认编码逻辑 #

当你用df = pd.read_csv("_.csv", dtype="categorical")读入数据时，Pandas会自动生成分类列的类别列表：

• 字符串类别的默认顺序是字典序排序；
• 数值类别的默认顺序是数值大小排序；
• cat.codes的编码严格对应这个列表的索引：第一个类别映射为0，第二个映射为1，以此类推。

比如数据里先出现val2再出现val1，默认读入后categories会是["val1", "val2"]，val1对应0，val2对应1。

自定义编码规则的实现方式 #

如果要指定{"val1": 0, "val2": 1}这类映射规则，有两种常用方案：

方案1：读入后重新定义分类 #

先按普通方式读入数据，再将目标列转为指定类别顺序的Categorical类型：

import pandas as pd
df = pd.read_csv("_.csv")
# 指定categories顺序，第一个元素对应0，第二个对应1
df["目标列名"] = pd.Categorical(df["目标列名"], categories=["val1", "val2"], ordered=False)
# 查看编码结果
print(df["目标列名"].cat.codes)

方案2：读入时直接指定分类规则 #

利用pd.CategoricalDtype在读取阶段就定义好类别顺序，避免后续转换操作：

import pandas as pd
# 自定义分类类型，指定categories顺序
cat_dtype = pd.CategoricalDtype(categories=["val1", "val2"], ordered=False)
# 读取时为目标列指定该类型
df = pd.read_csv("_.csv", dtype={"目标列名": cat_dtype})
# 查看编码结果
print(df["目标列名"].cat.codes)

额外方案：直接映射为数值（非Categorical类型） #

如果不需要保留Categorical类型，只是想得到指定的数值编码，可以直接用map方法：

df["目标列名"] = df["目标列名"].map({"val1": 0, "val2": 1})

这种方式会直接生成整数列，跳过Categorical的中间步骤。

内容的提问来源于stack exchange，提问作者Eike P.