为什么从 object 或 str 转换为类别时 dtype 不同？

Question

为什么在 pandas 中将列转换为类别时会收到两种不同的行为？

举个例子，假设我用

创建了一个数据框

>>> import pandas as pd
>>> import numpy as np
>>> pd.__version__
u'0.22.0'
>>> np.__version__
'1.14.0'
>>> df = pd.DataFrame(columns=['nombre'], data=[1,2,3,4])

现在我将我的列转换为一个对象：

>>> df['nombre'] = df['nombre'].astype('object')
>>> print(df['nombre'].dtype)
object

dtype 现在是对象。

>>> df['nombre'] = df['nombre'].astype('category')
>>> print(df['nombre'].cat.categories.dtype.name)
int64

转换为类别后，内部dtype为int64。

让我们重新开始一个新的数据框

>>> del df
>>> df = pd.DataFrame(columns=['nombre'], data=[1,2,3,4])

这一次，我们将内部列转换为'str'

>>> df['nombre'] = df['nombre'].astype('str')
>>> print(df['nombre'].dtype)
object

内部表示是一个对象。这是有道理的，因为我们转换为“str”。

>>> df['nombre'] = df['nombre'].astype('category')
>>> print(df['nombre'].cat.categories.dtype.name)
object

转换为类别后，内部dtype现在是object，和我们之前收到的int64不一样？

所以我的问题如下，为什么在从对象 dtype 转换为类别时会收到两种不同的行为？

Answer 1

.astype(object) 不会将数字转换为字符串。它将数字转换为相应的 Python 对象（在您的示例中，numpy.int64 转换为 Python int）。

例如，

df = pd.DataFrame(columns=['nombre'], data=[1,2,3,4])

type(df['nombre'][0])
Out[64]: numpy.int64


df['nombre'] = df['nombre'].astype('object')

type(df['nombre'][0])
Out[66]: int

但是当您使用astype(str) 时，它会将所有内容都转换为字符串。在这样做的同时，它也将系列转换为对象系列。这是因为这是唯一可以保存字符串的 dtype。

df['nombre'] = df['nombre'].astype('str')

type(df['nombre'][0])
Out[69]: str

所以这只是与您的输入数据有关。在你传递整数的第一个中，你得到一个整数数组。在第二个中传递字符串，你会得到一个对象数组。

此外，术语“内部 dtype”在这里可能不合适。这是包含类别的 Series 的 dtype；不是他们的代码。在这两个示例中，df['nombre'].cat.codes 是内部表示，其 dtype 是 int8。