Pandas pd.Categorical()函数
pandas.Categorical(values,
categories = None,
ordered = None,
dtype = Nonel
fastpath = False
)
参数：
- values：类似列表。分类的值，如果给出了类别，则不在类别中的值将替换为NaN。
- categories：索引式（唯一），可选。此分类的唯一类别。如果没有给出，则假定类别是值的唯一值。
- ordered：布尔值，（默认为False）。这个分类是否被当作一个有序的分类。如果为True，产生的分类将是有序的。有序分类在排序时尊重其类别属性的顺序（如果提供了类别参数，则该属性也是类别参数
- dtype：CategoricalDtype，CategoricalDtype用于此分类的实例
示例
import pandas as pd
cat = pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c'])
cat
结果 ：
[a, b, c, a, b, c]
Categories (3, object): [a, b, c]
- 参数
categories=
import pandas as pd
cat = cat=pd.Categorical(['a','b','c','a','b','c','d'],
categories=['c', 'b', 'a'])
print (cat)
结果
[a, b, c, a, b, c, NaN]
Categories (3, object): [c, b, a]
在类别中不存在的任何值将被视为NaN
- 参数
ordered
import pandas as pd
cat = cat=pd.Categorical(['a','b','c','a','b','c','d'],
categories=['c', 'b', 'a'],
ordered=True)
print (cat)
结果：
[a, b, c, a, b, c, NaN]
Categories (3, object): [c < b < a]
从逻辑上讲，排序(ordered)意味着，a大于b，b大于c
这里就可以看到 categorical 实际上是计算一个列表型数据中的类别数，即不重复项，它返回的是一个CategoricalDtype 类型的对象，相当于在原来数据上附加上类别信息
属性 codes和 categories
具体的类别可以通过和对应的序号可以通过codes和 categories来查看：
In [23]: ss.codes
Out[23]: array([0, 0, 1, 2, 2], dtype=int8)
In [21]: ss.categories
Out[21]: Index(['a', 'b', 'c'], dtype='object')
有序分类可以根据类别的自定义顺序进行排序，并且可以具有最小值和最大值。
>>>c = pd.Categorical(['a','b','c','a','b','c'], ordered=True, categories=['c', 'b', 'a'])
>>> c
[a, b, c, a, b, c]
Categories (3, object): [c < b < a]
>>> c.min()
'c'
属性
categories这种分类的类别。codes此类别的类别代码。ordered类别是否具有有序关系dtype在CategoricalDtype此实例