如何访问在数据框中保存为对象的分类数据？

Question

我有.dta 数据，我使用df = pd.read_stata('mydata.dta', convert_categoricals=True) 加载。当我从 Stata 转换类别时，我可以更轻松地“看到”我的类别是关于什么的。但我找不到以这种格式处理数据的选项。它实际上被转换为字符串/对象。

我在 SA 上发现了一个没有任何答案的类似问题：Pandas doesnt recognize categorical — access original codes when convert_categorical=True

我的解决方法是不从 dta 转换猫。 df = pd.read_stata('mydata.dta', convert_categoricals=False) 然后可以进行计算等，但我必须手动查找所有类别。那不是很pythonic。

MWE 这种情况真的很难。有点像这样：

import pandas as pd
df = pd.DataFrame({'year': ['1988', '1988', '1988', '1988', '1989', '1989', '1989', '1989'],
                  'money': ['5', '7', '8', '8', '3', '3', '7', '8']}).astype(int)

health = ['2 [good]', '-2 [not applicable]', '3 [ok]', '1 [excellent]', '3 [ok]', '5 [bad]', '2 [good]', '1 [excellent]']
df['health'] = health
df.info() # health is an object

# df.loc[(df.health >= 2) & (df.year=1988), 'money'] # not working

在我的分析中，我想检查给定年份身体健康的人的钱。但是类别是字符串。我有很多变量和类别。

如何告诉数据框使用“括号前的数字”？

处理数据框中类别的“值”和“标签”的正确方法是什么？正确的数据类型是什么？

Answer 1

这里有必要使用Series.str.extract 从health 值获取新列的值：

df[['a','b']] = df['health'].str.extract('([-]?\d+)\s+\[(.+)\]')
df['a'] = df['a'].astype(int)
print (df)
   year  money               health  a               b
0  1988      5             2 [good]  2            good
1  1988      7  -2 [not applicable] -2  not applicable
2  1988      8               3 [ok]  3              ok
3  1988      8        1 [excellent]  1       excellent
4  1989      3               3 [ok]  3              ok
5  1989      3              5 [bad]  5             bad
6  1989      7             2 [good]  2            good
7  1989      8        1 [excellent]  1       excellent