Pandas中factorize与Categorical将数值转为因子的区别是什么

1. 核心返回结果不同 #

• pd.factorize() 本质是编码工具，返回两个值：第一个是整数编码数组，第二个是去重后的类别值数组，不会直接生成Categorical类型的对象，示例：

import pandas as pd
ser = pd.Series([1,2,2,3,1])
codes, categories = pd.factorize(ser)
# codes输出: array([0, 1, 1, 2, 0], dtype=int64)
# categories输出: Index([1, 2, 3], dtype='int64')

• pd.Categorical() 是直接生成Categorical类型的因子对象，自带codes和categories两个属性，不需要额外拼接就能直接作为因子类型使用，示例：

cat = pd.Categorical(ser)
# 输出: [1, 2, 2, 3, 1]
# Categories (3, int64): [1, 2, 3]
# 可直接调用cat.codes、cat.categories获取对应值

如果需要把factorize的结果转成Categorical类型，可以用pd.Categorical.from_codes(codes, categories)方法实现二者的转换。

2. 类别顺序处理逻辑不同 #

• factorize默认按值第一次出现的顺序分配编码，没有内置的有序类别支持，仅可通过传入sort=True参数让类别按升序排序后分配编码，最终仅返回编码和类别列表，没有有序标记。
• Categorical支持显式指定ordered=True声明有序因子，还可以手动传入categories参数自定义类别顺序，不需要依赖原始数据的出现顺序或者排序规则，示例：

# 自定义类别顺序为3>2>1的有序因子
ordered_cat = pd.Categorical(ser, categories=[3,2,1], ordered=True)

3. 适用场景不同 #

• 如果只需要把离散值转成整数编码用于模型训练、分组计数等场景，用factorize更轻量，直接拿到编码数组就能用。
• 如果需要保留类别本身的语义、做有序类别比较、后续要用到Pandas针对Categorical类型的优化操作（比如切片、分组、排序按自定义顺序执行），就直接用Categorical生成因子类型。

4. 缺失值处理差异 #

• factorize会把缺失值NaN的编码默认设为-1，不会把NaN算入类别列表里。
• Categorical默认不会把NaN作为类别，除非你显式把NaN加到categories参数里，缺失值位置的codes会显示为-1，输出时显示为NaN。

内容的提问来源于stack exchange，提问作者MClaver89