如何将DataFrame含重复值的字母数字列映射为整数列并保留映射字典

要实现带重复值的字母数字混合列转整数编码、同时留存可复用映射关系的需求，直接用下面的方法即可，编码顺序和值在列中首次出现的顺序一致，完全匹配预期输出效果。

方法1：使用pandas内置factorize（无额外依赖，推荐） #

factorize是pandas原生的离散值编码方法，执行效率高，不需要额外安装第三方库：

import pandas as pd

# 构造测试用示例数据
df = pd.DataFrame({
    'column': ['a', 'c1', '3vc', 'c1', 'n']
})

# 执行编码：codes为整数编码结果，uniques为按首次出现顺序排列的唯一值列表
codes, uniques = pd.factorize(df['column'])
# 编码默认从0开始计数，+1调整为从1开始，匹配输出要求
df['column'] = codes + 1

# 生成可复用映射字典，格式为 {原始字段值: 对应整数}
value_map = dict(zip(uniques, range(1, len(uniques)+1)))

后续处理同字段新数据时，直接复用字典即可，不会打乱编码规则：

new_df['column'] = new_df['column'].map(value_map)

方法2：使用sklearn的LabelEncoder #

如果日常用sklearn做特征工程流程，也可以用LabelEncoder实现相同效果：

from sklearn.preprocessing import LabelEncoder

encoder = LabelEncoder()
# 同样+1将编码起始值从0调整为1
df['column'] = encoder.fit_transform(df['column']) + 1

# 生成可复用映射字典
value_map = dict(zip(encoder.classes_, range(1, len(encoder.classes_)+1)))

注意事项 #

• 两种方法默认的编码顺序完全匹配示例效果：第一个出现的a对应1，首次出现的c1对应2，首次出现的3vc对应3，重复出现的c1自动匹配2，后续值按首次出现顺序依次顺延编号。
• 映射字典独立存储后，跨批次处理数据、跨脚本复用都不会出现编码不一致的问题。
• 如果需要按值的自然排序（字母、数字排序规则）分配整数，而非按首次出现顺序分配，只需要在生成映射前对唯一值列表做排序处理即可。

处理前注意先过滤列中的空值，避免空值被编码为整数引入异常数据。

内容的提问来源于stack exchange，提问作者Chris_007