Categoricals是pandas的一种数据类型，对应于统计学中的Categorical variables（分类变量），分类变量是有限且固定的可能值，例如：gender（性别）、血型、国籍等，与统计学的Categorical variables相比，Categorical类型的数据可以具有特定的顺序，例如：按程度来设定：‘强烈同意’与‘同意’，‘首次观察’与‘二次观察’，但是不能按数值来进行排序操作。
Categorical data的值要么是预设好的类型中的某一个，要么是空值（np.nan）。顺序是由Categories来决定的，而不是按照Categories中各个元素的字母顺序排序的。categories 实例的内部是由类型名字集合和一个整数组成的数组构成的，后者标明了类型集合真正的值。
类别数据型适用于以下场景：
- 仅由几个不同值组成的字符串变量。将这样的字符串变量转换成分类变量将节省一些内存；
- 变量的词汇顺序不同于逻辑顺序。通过转换为类别并指定类别的顺序，排序和最小/最大值将使用逻辑顺序替代词汇顺序；
- 作为对其他python库的一个信号，这个列应该被视为一个分类变量。
一、category的创建及其性质
1.分类变量的创建
（a）用Series创建
pd.Series(["a", "b", "c", "a"], dtype="category")
（b）用dataframe创建
temp_df = pd.DataFrame({'A':pd.Series(["a", "b", "c", "a"], dtype="category"),'B':list('abcd')})
temp_df.dtypes
（c）用内置Categorical类型创建
cat = pd.Categorical(["a", "b", "c", "a"], categories=['a','b','c'])
pd.Series(cat)
（d）用cut函数创建
默认使用区间类型为标签
pd.cut(np.random.randint(0,60,5), [0,10,30,60])
可指定字符为标签
pd.cut(np.random.randint(0,60,5), [0,10,30,60], right=False, labels=['0-10','10-30','30-60'])
2.分类变量的结构
一个分类变量包括三个部分，元素值（values）、分类类别（categories）、是否有序（order），使用cut函数创建的分类变量默认为有序分类变量。
（a）describe方法
描述了一个分类序列的情况，包括非缺失值个数，元素值类别数（不是分类类别数）、最多出现的元素及其频数
s = pd.Series(pd.Categorical(["a", "b", "c", "a",np.nan], categories=['a','b','c','d']))
s.describe()
（b）categories和ordered属性
查看分类类别和是否排序
#查看分类类别
print(s.cat.categories)
#查看是否排序
print(s.cat.ordered)3.类别的修改
（a）利用set_categories修改
修改分类，但本身值不会变化
s = pd.Series(pd.Categorical(["a", "b", "c", "a",np.nan], categories=['a','b','c','d']))
s.cat.set_categories(['new_a','c'])
（b）利用rename_categories修改
该方法是会把值和分类同时修改
s = pd.Series(pd.Categorical(["a", "b", "c", "a",np.nan], categories=['a','b','c','d']))
s.cat.rename_categories(['new_%s'%i for i in s.cat.categories])
利用字典修改值
s.cat.rename_categories({'a':'new_a','b':'new_b'})
（c）利用add_categories添加
s = pd.Series(pd.Categorical(["a", "b", "c", "a",np.nan], categories=['a','b','c','d']))
s.cat.add_categories(['e'])
（d）利用remove_categories移除
s = pd.Series(pd.Categorical(["a", "b", "c", "a",np.nan], categories=['a','b','c','d']))
s.cat.remove_categories(['d'])
（e）删除元素值未出现的分类类型
s = pd.Series(pd.Categorical(["a", "b", "c", "a",np.nan], categories=['a','b','c','d']))
s.cat.remove_unused_categories()
二、分类变量的排序
分类数据类型分为有序和无序，
1.序的建立
（a）一般来说会将一个序列转为有序变量，可以利用as_ordered方法
s = pd.Series(["a", "d", "c", "a"]).astype('category').cat.as_ordered()
退化为无序变量，只需使用as_unordered
s.cat.as_unordered()（b）利用set_categories方法中的order参数
pd.Series(["a","d","c","a"]).astype('category').cat.set_categories(['a','c','d'],ordered=True)
（c）利用reorder_categories方法
特点在于：新设置的分类必须与原分类为统一集合
s = pd.Series(["a", "d", "c", "a"]).astype('category')
s.cat.reorder_categories(['a','c','d'],ordered=True)
#s.cat.reorder_categories(['a','c'],ordered=True) #报错
#s.cat.reorder_categories(['a','c','d','e'],ordered=True) #报错2.排序
（a）值排序
s=pd.Series(np.random.choice(['perfect','good','fair','bad','awful'],50)).astype('category')
s.cat.set_categories(['perfect','good','fair','bad','awful'][::-1],ordered=True).head()
s.sort_values(ascending=False).head()（b）索引排序
df_sort = pd.DataFrame({'cat':s.values,'value':np.random.randn(50)}).set_index('cat')
df_sort.sort_index().head()三、分类变量的比较操作
1.与标量或等长序列的比较
（a）标量比较
s = pd.Series(["a", "d", "c", "a"]).astype('category')
s == 'a'
（b）等长序列比较
s == list('abcd')
2.与另一分类变量的比较
（a）等式判别（包含等号和不等号）
两个分类变量的等式判别需要满足分类完全相同
s = pd.Series(["a", "d", "c", "a"]).astype('category')
#等号
s == s
#不等于
s != s
#s == s_new #报错
s_new = s.cat.set_categories(['a','d','e'])
（b）不等式判别（包含>=,<=,<,>）
两个分类变量的不等式判别需要满足两个条件：① 分类完全相同 ② 排序完全相同
s = pd.Series(["a", "d", "c", "a"]).astype('category')
#s >= s #报错
s=pd.Series(["a","d","c","a"]).astype('category').cat.reorder_categories(['a','c','d'],ordered=True)
s >= s
练习1：
（a）现在将深度分为七个等级：[0,5,10,15,20,30,50,np.inf]，请以深度等级Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ,Ⅵ,Ⅶ为索引并按照由浅到深的顺序进行排序。
df['new_深度'] = pd.cut(df['深度'],[0,5,10,15,20,30,50,np.inf],labels=['Ⅰ','Ⅱ','Ⅲ','Ⅳ','Ⅴ','Ⅵ','Ⅶ'])
df.set_index('new_深度').sort_index().head()
（b）在（a）的基础上，将烈度分为4个等级：[0,3,4,5,np.inf]，依次对南部地区的深度和烈度等级建立多级索引排序。
df['new_深度'] = pd.cut(df['深度'],[0,5,10,15,20,30,50,np.inf],labels=['Ⅰ','Ⅱ','Ⅲ','Ⅳ','Ⅴ','Ⅵ','Ⅶ'])
df['new_烈度'] = pd.cut(df['烈度'],[0,3,4,5,np.inf],labels=['Ⅰ','Ⅱ','Ⅲ','Ⅳ'])
df.set_index(['new_深度','new_烈度']).sort_index().head()
可以看到按烈度排序的话，直接从Ⅱ开始的，所以，更改一下数据范围：
df['new_深度'] = pd.cut(df['深度'],[0,5,10,15,20,30,50,np.inf],labels=['Ⅰ','Ⅱ','Ⅲ','Ⅳ','Ⅴ','Ⅵ','Ⅶ'])
df['new_烈度'] = pd.cut(df['烈度'],[-1e-10,3,4,5,np.inf],labels=['Ⅰ','Ⅱ','Ⅲ','Ⅳ'])
df.set_index(['new_深度','new_烈度']).sort_index().head()