在Pandas中，二元（虚拟）变量应使用哪种正确的数据类型？

对于二元虚拟变量的存储，不同Pandas数据类型的适用性差异很大，直接说结论：category是最优选择，其他类型的优缺点如下：

• int64/float64：能用但不推荐
  这类数值类型可以存储0/1这类标记，但会浪费内存（比如int64占8字节），而且容易让阅读代码的人误以为这些数值有数学运算意义，反而造成语义混淆。

• object：绝对要避免
  object类型存储的是Python对象引用，内存占用极高，而且Pandas对object列的排序、分组、聚合等操作效率极低，完全不适合用来存二元变量。

• category：最适合的选择

  1. 内存高效：category会把二元变量的两个唯一值存为映射字典，实际列存储的是整数编码，内存占用比int64还小，数据量越大优势越明显。
  2. 操作快速：Pandas对category类型做了专门优化，分组、筛选等操作的速度远快于object类型，性能不输数值类型。
  3. 语义明确：直接表明这是分类变量，不是数值，避免了不必要的误解。

如果要将列转为category类型，基础用法是：
df['target_column'] = df['target_column'].astype('category')

若转换失败，先排查常见问题：

• 检查列中是否存在非预期的多值：用print(df['target_column'].unique())确认只有两个二元选项
• 确认列中没有混合类型的值（比如同时存在字符串和数值），可以先统一类型再转换

内容的提问来源于stack exchange，提问作者Katsu