【pandas小技巧】--category类型补充

category类型在pandas基础系列中有一篇介绍数据类型的文章中已经介绍过。
category类型并不是python中的类型，是pandas特有的类型。

category类型的优势那篇文章已经介绍过，当时只是介绍了如何将某个列的数据转换成category类型，
以及转换之后给程序性能上带来的好处。

本篇将补充介绍深入使用category类型时，经常会遇到的两个问题。
一个是category类型中各个值的顺序调整；另一个是按照数值的范围转换为category类型。

1. catagory类型顺序

当我们把一个列的数据转换为category类型时，category类型中各个值的默认顺序是按照字母顺序排列的。
比如：

import pandas as pd

df = pd.DataFrame({
    "学号": [1, 2, 3, 4, 5, 6],
    "年级": ["初二", "初一", "初二",
           "初一", "初三", "初三"],
})

df["年级"] = df["年级"].astype('category')
df.sort_values("年级")

我们发现，默认顺序 **初三 **排在 **初二 **之前，与实际情况不符。

所以，需要调整category类型的顺序。

import pandas as pd

df = pd.DataFrame({
    "学号": [1, 2, 3, 4, 5, 6],
    "年级": ["初二", "初一", "初二",
           "初一", "初三", "初三"],
})

g_type = pd.CategoricalDtype(
    categories=["初一", "初二", "初三"],
    ordered=True
)

df["年级"] = df["年级"].astype(g_type)
df.sort_values("年级")

通过CategoricalDtype函数定义category类型，可以在定义时设置各个值的顺序。

2. 按范围转换catagory类型

有时候我们需要将一批的连续的数据按照不同的范围转换为category类型。

比如下面随机生成的100个介于1到80岁的年龄数据：

df = pd.DataFrame(
    np.random.randint(1, 80, (100, 1))
)
df.columns = ["年龄"]
df

希望按照不同的年龄范围划分年龄段，而不是每个年龄都转换为category类型。

这时可以用cut函数来实现：

df["年龄段"] = pd.cut(df["年龄"], 
                bins=[0, 18, 25, 60, 80],
                labels=["儿童", "青年", 
                        "成人", "老人"]
                )
df

按照年龄段来划分不同的category，

1. bins参数：设置每个category对应的范围
2. labels参数：category的值，labels列表中值的顺序就是category的顺序

除了cut函数，还有个qcut函数，也可以按照数据范围来生成category类型。
它们的区别主要在于：

1. cut函数：根据值的大小将数据分为bins。bins的数目可以是等距的，也可以是自定义的。
2. qcut函数：根据值的频率将数据分为bins，每个bin中含有的数据个数相同或尽可能接近。bins的数量由程序自动确定。

因此，cut函数适合等距离离散化，而qcut函数适合非等距离离散化。
例如，我们有1000个数据点，想要把它们分为10组，
cut函数通常会将数据平均分为长度相同的10个组，
而qcut函数则会将这些数据分为包含大约100个数据点的10个组。