使用Pandas读取CSV时能否自动识别分类列？对标R的StringAsFactor

当然可以实现不用手动指定列，自动识别并转换分类列的需求！Pandas本身没有像R那样默认的StringAsFactor参数，但我们可以通过原生方法轻松实现类似功能，下面分享两种实用思路：

方法1：基于数据特征自动推断（推荐） #

这种方法会根据列的唯一值占比来判断是否适合转为分类列——比如当一列的唯一值数量远少于总行数时（比如性别、地区这类枚举值），就自动转为分类类型，避免把长文本这类列误转。

步骤如下：

1. 先正常读取CSV文件
2. 遍历所有列，根据数据类型和唯一值比例判断是否转分类

示例代码：

import pandas as pd

# 读取CSV文件
df = pd.read_csv("your_dataset.csv")

# 设置阈值：唯一值占总行数的比例低于10%则转为分类
unique_value_threshold = 0.1

for col in df.columns:
    # 针对字符串列，或者整数类型但唯一值极少的编码列
    if (df[col].dtype == "object") or (
        df[col].dtype in ["int64", "int32"] and df[col].nunique() / len(df) < unique_value_threshold
    ):
        df[col] = pd.Categorical(df[col])

你可以根据自己的数据特点调整unique_value_threshold，比如把阈值设为0.05（5%），更严格地筛选分类列。

方法2：基于列名规则自动识别 #

如果你的数据集列名有明显的分类标识（比如包含category、type、status、gender这类关键词），可以直接通过列名匹配来转换：

示例代码：

import pandas as pd

df = pd.read_csv("your_dataset.csv")

# 定义分类列的关键词列表
category_col_keywords = ["category", "type", "status", "gender", "region", "group"]

for col in df.columns:
    # 忽略大小写匹配关键词
    if any(keyword in col.lower() for keyword in category_col_keywords):
        df[col] = pd.Categorical(df[col])

这种方法更适合列名规范的数据集，精准度更高。

补充说明 #

• 分类列的优势：相比字符串列，分类列占用更少内存，后续做分组、聚合、机器学习编码时效率也更高
• 如果需要反向转换（分类列转字符串），可以用df[col].astype(str)

内容的提问来源于stack exchange，提问作者Learner