Pandas 类别类型

概念与用途

Categorical 用整数编码保存有限取值集合，适合重复度高的地区、状态和等级字段。类别可有顺序，使排序和比较遵循业务顺序而非字典序。

核心 API

astype("category")、pd.CategoricalDtype、Series.cat.categories、cat.codes、cat.add_categories、cat.remove_unused_categories 和 cat.reorder_categories。

可运行示例

import pandas as pd

level_type = pd.CategoricalDtype(["low", "medium", "high"], ordered=True)
df = pd.DataFrame({"level": ["high", "low", "medium", "low"]})
df["level"] = df["level"].astype(level_type)
print(df.sort_values("level"))
print(df["level"].value_counts(sort=False))

示例二：合并类别词表

import pandas as pd
from pandas.api.types import union_categoricals

left = pd.Categorical(["A", "B"], categories=["A", "B"])
right = pd.Categorical(["B", "C"], categories=["B", "C"])
combined = union_categoricals([left, right])
print(combined)
print(combined.categories)

直接拼接类别集合不同的 Series 可能退化为 object；union_categoricals 显式构造并集。对有序类别，顺序不一致时需要先统一业务顺序。

参数与性能边界

cat.codes 中缺失值编码为 -1，不能当作合法类别编号。过滤后未使用类别可调用 remove_unused_categories()。高基数字段未必省内存，应比较转换前后的 memory_usage(deep=True)；结果赋回列时仍按索引对齐。

注意事项

赋入未注册类别会得到空值，需先 add_categories 或更新 dtype。合并两个类别集合不同的列可能退化为 object。低基数重复文本通常节省内存，高基数唯一值则未必。分组时关注 observed 是否包含未出现类别，模型训练中还要固定训练和推理的类别词表。