如何在Pandas中将含重复值的字符串列转换为连续数字？

嘿，这个需求在可视化场景里太常见了！不用头疼虚拟变量，pandas自带两个简单的工具就能搞定，直接把重复的字符串列转成从0开始的连续数字，完美适配散点图的需求。

方法1：用pd.factorize()（按首次出现顺序编码） #

这个方法会自动识别列中的唯一值，按照它们首次出现的顺序分配0、1、2...这样的连续编码，非常直观。

举个具体的例子：

import pandas as pd

# 构造你的示例DataFrame
df = pd.DataFrame({'col': ["1120", "2230", "1120", "1234"]})

# 执行编码，取返回结果的第一个元素（编码后的数组）
df['encoded_col'] = pd.factorize(df['col'])[0]

执行后你的DataFrame会变成这样：

col  encoded_col
0  1120            0
1  2230            1
2  1120            0
3  1234            2

可以看到，每个唯一字符串都被映射成了连续的数字，完全符合你的要求。

方法2：用分类类型的cat.codes（可自定义编码顺序） #

如果你希望编码顺序是按照字符串的自然排序（比如"1120"<"1234"<"2230"），可以先把列转为category类型，再提取编码：

# 先转成分类类型，默认按字符串排序分配编码
df['encoded_col'] = df['col'].astype('category').cat.codes

如果想手动指定编码顺序，也可以这样：

# 自定义唯一值的顺序，比如按["2230", "1120", "1234"]来编码
custom_order = ["2230", "1120", "1234"]
df['encoded_col'] = df['col'].astype(pd.CategoricalDtype(categories=custom_order, ordered=True)).cat.codes

这样"2230"会被编码为0，"1120"为1，"1234"为2，灵活性更高。

为什么不用虚拟变量？ #

虚拟变量（one-hot编码）会把每个类别转成单独的二进制列，这更适合机器学习的特征输入，但对于散点图来说，你需要的是单个连续数值列来做坐标轴或颜色映射，上面两种方法显然更贴合需求。

内容的提问来源于stack exchange，提问作者Jonah Kornberg