我正在使用 Pandas 读取这种格式的文件：
fp = pandas.read_table("Measurements.txt")
fp.head()
"Aaron", 3, 5, 7
"Aaron", 3, 6, 9
"Aaron", 3, 6, 10
"Brave", 4, 6, 0
"Brave", 3, 6, 1
我想用唯一的 ID 替换每个名称，因此输出如下所示：
"1", 3, 5, 7
"1", 3, 6, 9
"1", 3, 6, 10
"2", 4, 6, 0
"2", 3, 6, 1
我该怎么做？
谢谢！
【问题讨论】：
标签： python python-3.x pandas
这可行，但需要注意的是：
df = pd.DataFrame({"string_column": ["string1", "string2"]})
df["hash"] = [hash(i) for i in df["string_column"]]
df
Out[1]:
string_column hash
0 string1 -2164478207308662971
1 string2 -3208847000100121065
还有一点需要注意的是：哈希并不能 100% 保证是唯一的。两个不同的字符串可能具有相同的哈希值的可能性很小。但是，它是 20 位小数，因此很有可能是唯一的。
最好的方法是确定列中的所有唯一值，为每个值分配一个递增的数字，然后遍历列中的值并替换为 ID。但是，这很慢，而且上面的行更快。
【讨论】：
我会使用categorical dtype：
In [97]: x['ID'] = x.name.astype('category').cat.rename_categories(range(1, x.name.nunique()+1))
In [98]: x
Out[98]:
name v1 v2 v3 ID
0 Aaron 3 5 7 1
1 Aaron 3 6 9 1
2 Aaron 3 6 10 1
3 Brave 4 6 0 2
4 Brave 3 6 1 2
如果您需要字符串 ID 而不是数字 ID，您可以使用：
x.name.astype('category').cat.rename_categories([str(x) for x in range(1,x.name.nunique()+1)])
或者，正如@MedAli 在his answer 中提到的那样，使用factorize() 方法 - 演示：
In [141]: x['cat'] = pd.Categorical((pd.factorize(x.name)[0] + 1).astype(str))
In [142]: x
Out[142]:
name v1 v2 v3 ID cat
0 Aaron 3 5 7 1 1
1 Aaron 3 6 9 1 1
2 Aaron 3 6 10 1 1
3 Brave 4 6 0 2 2
4 Brave 3 6 1 2 2
In [143]: x.dtypes
Out[143]:
name object
v1 int64
v2 int64
v3 int64
ID category
cat category
dtype: object
In [144]: x['cat'].cat.categories
Out[144]: Index(['1', '2'], dtype='object')
或将类别作为整数：
In [154]: x['cat'] = pd.Categorical((pd.factorize(x.name)[0] + 1))
In [155]: x
Out[155]:
name v1 v2 v3 ID cat
0 Aaron 3 5 7 1 1
1 Aaron 3 6 9 1 1
2 Aaron 3 6 10 1 1
3 Brave 4 6 0 2 2
4 Brave 3 6 1 2 2
In [156]: x['cat'].cat.categories
Out[156]: Int64Index([1, 2], dtype='int64')
解释：
In [99]: x.name.astype('category')
Out[99]:
0 Aaron
1 Aaron
2 Aaron
3 Brave
4 Brave
Name: name, dtype: category
Categories (2, object): [Aaron, Brave]
In [100]: x.name.astype('category').cat.categories
Out[100]: Index(['Aaron', 'Brave'], dtype='object')
In [101]: x.name.astype('category').cat.rename_categories([1,2])
Out[101]:
0 1
1 1
2 1
3 2
4 2
dtype: category
Categories (2, int64): [1, 2]
factorize() 方法的解释：
In [157]: (pd.factorize(x.name)[0] + 1)
Out[157]: array([1, 1, 1, 2, 2])
In [158]: pd.Categorical((pd.factorize(x.name)[0] + 1))
Out[158]:
[1, 1, 1, 2, 2]
Categories (2, int64): [1, 2]
【讨论】：
看起来Replace all occurrences of a string in a pandas dataframe 可能会保留您的答案。根据文档，pandas.read_table 创建了一个数据框，一个数据框有一个替换功能。
fp.replace({'Aaron': '1'}, regex=True)
虽然您可能不需要 regex=True 部分，因为它完全可以直接替换。
【讨论】：
您可以通过简单的字典映射来做到这一点。 例如，假设您的数据如下所示：
col1, col2, col3, col4
"Aaron", 3, 5, 7
"Aaron", 3, 6, 9
"Aaron", 3, 6, 10
"Brave", 4, 6, 0
"Brave", 3, 6, 1
然后简单地做
myDict = {"Aaron":"1", "Brave":"2"}
fp["col1"] = fp["col1"].map(myDict)
如果您不想构建字典，请使用pandas.factorize，它将为您从 0 开始编码列。您可以找到有关如何使用它的示例here。
【讨论】：
为什么不在名称上使用哈希
df["col0"] = df["col0"].apply(lambda x: hashlib.sha256(x.encode("utf-8")).hexdigest())
通过这种方式，您无需关心出现的名称，即您无需预先知道它们来构建映射字典。
【讨论】：