pandas.factorize()

대부분의 머신러닝 알고리즘은 숫자형을 다루므로 카테고리를 텍스트에서 숫자로 바꿔줘야 한다. 이를 위해 각 카테고리를 다른 정숫값으로 매핑해주는 factorize() 함수를 사용합니다.

pandas.factorize() and Series.factorize()

Parameters:
values : 1D sequence.
sort : [bool, Default is False] Sort uniques and shuffle labels.
na_sentinel : [ int, default -1] Missing Values to mark ‘not found’.

Return: Numeric representation of array

factorize() 방법의 작동 설명

import numpy as np
import pandas as pd
from pandas.api.types import CategoricalDtype

labels, uniques = pd.factorize(['c','a','a','c','b','b'])

print("Numeric Representation : \n",labels)
print("Unique Values : \n", uniques)

결과값

Numeric Representation : 
 [0 1 1 0 2 2]
Unique Values : 
 ['c' 'a' 'b']

정렬

label_sort, unique_sort = pd.factorize(['c','d','d','b','a','c'], sort=True)

print("Numeric Representation :",label_sort)
print("Unique Values : ",unique_sort)

결과값

umeric Representation : [2 3 3 1 0 2]
Unique Values :  ['a' 'b' 'c' 'd']

누락값 표시

누락값은 na_sentinel(default -1)로 코드에 표시된다. 누락값은 고유 항목에 포함되지 않는다.

label_none, unique_none = pd.factorize(['b', None, 'd', 'c', None, 'a', ], 
                                              na_sentinel = -101)
  
print("\n\nNumeric Representation : \n", label_none)
print("Unique Values : \n", unique_none)

결과값

Numeric Representation : 
 [   0 -101    1    2 -101    3]
Unique Values : 
 ['b' 'd' 'c' 'a']

범주내에 있지 않는 값은 -1 처리된다.

a = pd.Categorical(['d','a', 'a', 'c','f'], categories =['a', 'b', 'c', 'd'])
  
label_cat, unique_cat = pd.factorize(a)
  
print("\n\nNumeric Representation : \n", label_cat)
print("Unique Values : \n", unique_cat)

결과값

Numeric Representation : 
 [ 0  1  1  2 -1]
Unique Values : 
 ['d', 'a', 'c']
Categories (4, object): ['d', 'c', 'b', 'a']