用了一年pandas，才知道category的这些坑！-技术圈

大家好，我是东哥。

本篇是pandas100个骚操作系列的第 15 篇：关于category的一些坑。

系列内容，请看👉「pandas100个骚操作」话题，订阅后文章更新可第一时间推送至订阅号。

pandas有一个特别的数据类型叫category，如其名一样，是一种分类的数据类型。category很娇气，使用的时候稍有不慎就会进坑，因此本篇东哥将介绍在pandas中，

1. 为什么要使用category？

2. 以及使用category时需要注意的一些坑！

文中使用的pandas版本为1.2.3，于今年2021年3月发布的。

为什么使用category数据类型？

总结一下，使用category有以下一些好处：

内存使用情况:对于重复值很多的字符串列，category可以大大减少将数据存储在内存中所需的内存量;
运行性能:进行了一些优化，可以提高某些操作的执行速度
算法库的使用：在某些情况下，一些算法模型需要category这种类型。比如，我们知道lightgbm相对于xgboost优化的一个点就是可以处理分类变量，而在构建模型时我们需要指定哪些列是分类变量，并将它们调整为category作为超参数传给模型。

一个简单的例子。

df_size = 100_000
df1 = pd.DataFrame(
    {
        "float_1": np.random.rand(df_size),
        "species": np.random.choice(["cat", "dog", "ape", "gorilla"], size=df_size),
    }
)
df1_cat = df1.astype({"species": "category"})

创建了两个DataFrame，其中df1包含了species并且为object类型，df1_cat复制了df1，但指定了species为category类型。

>> df1.memory_usage(deep=True)
Index          128
float_1     800000
species    6100448
dtype: int64

就内存使用而言，我们可以直接看到包含字符串的列的成本是多高。species列的字符串大约占用了6MB，如果这些字符串较长，则将会更多。

>> df1_cat.memory_usage(deep=True)
Index         128
float_1    800000
species    100416
dtype: int64

再看转换为category类别后的内存使用情况。有了相当大的改进，使用的内存减少了大约60倍。没有对比，就没有伤害。

这就是使用category的其中一个好处。但爱之深，责之切呀，使用它要格外小心。

使用`category`的一些坑！

一、category列的操作

好吧，这部分应该才是大家较为关心的，因为经常会遇到一些莫名其妙的报错或者感觉哪里不对，又不知道问题出在哪里。

首先，说明一下：使用category的时候需要格外小心，因为如果姿势不对，它就很可能变回object。而变回object的结果就是，会降低代码的性能（因为强制转换类型成本很高），并会消耗内存。

日常面对category类型的数据，我们肯定是要对其进行操作的，比如做一些转换。下面看一个例子，我们要分别对category和object类型进行同样的字符串大写操作，使用accessor的.str方法。

在非category字符串上：

>> %timeit df1["species"].str.upper()
25.6 ms ± 2.07 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

在category字符串上：

>> %timeit df1_cat["species"].str.upper()
1.85 ms ± 41.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

结果很明显了。在这种情况下，速度提高了大约14倍（因为内部优化会让.str.upper()仅对分类的唯一类别值调用一次，然后根据结果构造一个seires，而不是对结果中的每个值都去调用一次）。

怎么理解？假设现有一个列叫animal，其类别有cat和dog两种，假设样本为10000个，4000个cat和6000个dog。那么如果我用对category本身处理，意味着我只分别对cat和dog两种类别处理一次，一共两次就解决。如果对每个值处理，那就需要样本数量10000次的处理。

尽管从时间上有了一些优化，然而这种方法的使用也是有一些问题的。。。看一下内存使用情况。

>> df1_cat["species"].str.upper().memory_usage(deep=True)
6100576

意外的发现category类型丢了。。结果竟是一个object类型，数据压缩的效果也没了，现在的结果再次回到刚才的6MB内存占用。

这是因为使用str会直接让原本的category类型强制转换为object，所以内存占用又回去了，这是我为什么最开始说要格外小心。

解决方法就是：直接对category本身操作而不是对它的值操作。 要直接使用cat的方法来完成转换操作，如下。

%timeit df1_cat["species"].cat.rename_categories(str.upper)
239 µs ± 13.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

可以看到，这个速度就更快了，因为省去了将category类别转换为object的时间，并且内存占用也非常少。因此，这才是最优的做法。

二、与category列的合并

还是上面那个例子，但是这次增加了habitat一列，并且species中增加了sanke。

df2 = pd.DataFrame(
    {
        "species": ["cat", "dog", "ape", "gorilla", "snake"],
        "habitat": ["house", "house", "jungle", "jungle", "jungle"],
    }
)
df2_cat = df2.astype({"species": "category", "habitat": "category"})

和前面一样，创建该数据集的一个category版本，并创建了一个带有object字符串的版本。如果将两个object列合并在一起的，没什么意思，因为大家都知道会发生什么，object+ object= object而已。

把object列合并到category列上

还是一个例子。

>> df1.merge(df2_cat, on="species").dtypes
float_1     float64
species      object
habitat    category
dtype: object

左边的df1中species列为object,右边的df2_cat中species列为category。我们可以看到，当我们合并时，在结果中的合并列会得到category+ object= object。

这显然不行了，又回到原来那样了。我们再试下其他情况。

两个category列的合并

>> df1_cat.merge(df2_cat, on="species").dtypes
float_1     float64
species      object
habitat    category
dtype: object

结果是：category+ category= object？

有点想打人了，但是别急，我们看看为啥。

在合并中，为了保存分类类型，两个category类型必须是完全相同的。 这个与pandas中的其他数据类型略有不同，例如所有float64列都具有相同的数据类型，就没有什么区分。

而当我们讨论category数据类型时，该数据类型实际上是由该特定类别中存在的一组值来描述的，因此一个类别包含["cat", "dog", "mouse"]与类别包含["cheese", "milk", "eggs"]是不一样的。上面的例子之所以没成功，是因为多加了一个snake。

因此，我们可以得出结论：

category1+ category2=object
category1+ category1=category1

因此，解决办法就是：两个category类别一模一样，让其中一个等于另外一个。

>> df1_cat.astype({"species": df2_cat["species"].dtype}).merge(
       df2_cat, on="species"
   ).dtypes

float_1     float64
species    category
habitat    category
dtype: object

三、category列的分组

用category类列分组时，一旦误操作就会发生意外，结果是Dataframe会被填成空值，还有可能直接跑死。。

当对category列分组时，默认情况下，即使category类别的各个类不存在值，也会对每个类进行分组。

一个例子来说明。

habitat_df = (
    df1_cat.astype({"species": df2_cat["species"].dtype})
           .merge(df2_cat, on="species")
)
house_animals_df = habitat_df.loc[habitat_df["habitat"] == "house"]

这里采用habitat_df，从上面例子得到的，筛选habitat为house的，只有dog和cat是house，看下面分组结果。

>> house_animals_df.groupby("species")["float_1"].mean()
species
ape             NaN
cat        0.501507
dog        0.501023
gorilla         NaN
snake           NaN
Name: float_1, dtype: float64

在groupby中得到了一堆空值。默认情况下，当按category列分组时，即使数据不存在，pandas也会为该类别中的每个值返回结果。略坑，如果数据类型包含很多不存在的，尤其是在多个不同的category列上进行分组，将会极其损害性能。

因此，解决办法是：可以传递observed=True到groupby调用中，这确保了我们仅获取数据中有值的组。

>> house_animals_df.groupby("species", observed=True)["float_1"].mean()
species
cat    0.501507
dog    0.501023
Name: float_1, dtype: float64

四、category列的索引

仍以上面例子举例，使用groupby-unstack实现了一个交叉表，species作为列，habitat作为行，均为category类型。

>> species_df = habitat_df.groupby(["habitat", "species"], observed=True)["float_1"].mean().unstack()
>> species_df

species       cat       ape       dog   gorilla
habitat                                        
house    0.501507       NaN  0.501023       NaN
jungle        NaN  0.501284       NaN  0.501108

这好像看似也没什么毛病，我们继续往下看。为这个交叉表添加一个新列new_col，值为1。

>> species_df["new_col"] = 1
TypeError: 'fill_value=new_col' is not present in this Categorical's categories

正常情况下，上面这段代码是完全可以的，但这里报错了，为什么？

原因是：species和habitat现在均为category类型。使用.unstack()会把species索引移到列索引中（类似pivot交叉表的操作）。而当添加的新列不在species的分类索引中时，就会报错。

虽然平时使用时可能很少用分类作为索引，但是万一恰巧用到了，就要注意一下了。

总结

总结一下，pandas的category类型非常有用，可以带来一些良好的性能优势。但是它也很娇气，使用过程中要尤为小心，确保category类型在整个流程中保持不变，避免变回object。本文介绍的4个点注意点：

category列的变换操作:直接对category本身操作而不是对它的值操作。这样可以保留分类性质并提高性能。
category列的合并：合并时注意，要保留category类型，且每个dataframe的合并列中的分类类型必须完全匹配。
category列的分组:默认情况下，获得数据类型中每个值的结果，即使数据中不存在该结果。可以通过设置observed=True调整。
category列的索引：当索引为category类型的时候，注意是否可能与类别变量发生奇怪的交互作用。

用了一年pandas，才知道category的这些坑！