根据字典在 DataFrame/Series 中映射值的最快方法是什么？

Question

我得到了一个包含 5,000,000 行 x 3 列的数据集。

基本上是这样的：

    location       os  clicked
0      China      ios      1
1        USA  android      0
2      Japan      ios      0
3      China  android      1

所以，我去了 Pandas.DataFrame 寻求一些很棒的快速支持。

现在我将根据字典替换位于数据帧系列中的值。

注意：我用作参考的字典如下所示：

{   China : 1,
      USA : 2,
    Japan : 3,
     .... : ..
 }

因为我使用Pandas.DataFrame.Column_Label.drop_duplicates()。

最后，我得到了：

    location     os  clicked
0         1      ios      1
1         2  android      0
2         3      ios      0
3         1  android      1

我已经在 446 秒中完成了完整的映射。

有更快的方法吗？

我认为replace() 函数浪费了很多时间进行无意义的搜索。那么我是在走向正确的结局吗？

Answer 1

我现在可以回答我自己的问题了。

这样做的重点是处理分类数据，它在分类任务等上一遍又一遍地出现。首先，我们希望使用 one-hot 编码方法将分类数据转换为数值向量，这是普遍的， sklearn 包或 statsmodel 可接受。

为此，只需使用以下命令将 cvs 文件读取为 pandas.DataFrame： data = pd.read_csv(dir, encoding='utf-8')

然后：

data_binary = pd.get_dummies(data, prefix=['os','locate'],columns=['os','location'])

一切顺利。