将字符列编码为序数，但保持数字列相同

Question

我有一个如下数据框：

test = {"viral": "pos", "Status": "positive", "Age": 59, "score": 5}
test2 = {"viral": "neg"}
df = pd.DataFrame.from_dict([test, test2])

我想将字符列（病毒、状态）编码为序数，但不考虑数值。所需的输出是具有相同列名的 numpy 数组。

如果我使用 sklearn 中的 OrdinalEncoder，它不会处理 NaN 值。即使没有 NaN 值，它仍然会对数字列进行序数编码。我想在字符列中用 0 填充 NaN 值，但在数字列中保留 NaN。

最简单的方法是什么？

所需的输出（在 numpy 数组中）：

    Age    Status  score viral
0  59.0         1    5.0     1
1   NaN         0    NaN     0

谢谢！ 杰克

编辑：当使用enc=OrdinalEncoder() 时，我还想要从编码值到原始值的映射，例如{i: dict(enumerate(v)) for i, v in enumerate(enc.categories_)}（请参阅Vectorize 2D character array column-wise）

Answer 1

使用LabelEncoder

enc = sklearn.preprocessing.LabelEncoder()

mask = df.dtypes.eq(np.object)
df.loc[:, mask] = df.loc[:, mask].astype(str).apply(enc.fit_transform)

---

为了能够inverse_transform，您可以创建使用defaultdict 的LabelEncoders。 key 是您的选择。我建议使用列名：直观且简单

from collections import defaultdict
enc = defaultdict(sklearn.preprocessing.LabelEncoder)

mask = df.dtypes.eq(np.object)
df.loc[:, mask] = df.loc[:, mask].astype(str).apply(lambda s: enc[s.name].fit_transform(s))

    Status  viral
0   1       1
1   0       0

致inverse_transform

df.loc[:, mask].apply(lambda s: enc[s.name].inverse_transform(s))

    Status      viral
0   positive    pos
1   NaN         neg

Answer 2

更新，当存在 NaN 时，它会将代码分类为 -1 ，如果您需要 NaN，您可以使用 replace 转换回来

df=pd.DataFrame([test,test2])
df.dtypes
Out[152]:
Age       float64
Status     object
score     float64
viral      object
dtype: object
listc=df.columns[df.dtypes=='object']

for x in listc:
    df[x]=df[x].astype('category').cat.codes

df
Out[156]: 
    Age  Status  score  viral
0  59.0       0    5.0      1
1   NaN      -1    NaN      0