python - 在Pandas中使用分解因子时设置先验水平以覆盖丢失的案例

我了解如何使用分解系数将因子的水平（例如“ L”和“ W”（用于获胜和失败））编码为数值，例如“ 0”和“ 1”：

import pandas as pd
first_df = pd.DataFrame({'outcome': ["L", "L", "W", "W"]})
pd.factorize(first_df['outcome'])

以上返回(array([0, 0, 1, 1]), array(['L', 'W'], dtype=object))。

但是，稍后，我想将此结果与其他一些结果结合起来，在这里我们有了一个新的结果，即平局（“ D”），这里的情况变得很棘手：

second_df = pd.DataFrame({'outcome': ["L", "L", "D", "D"]})
pd.factorize(second_df['outcome'])

这将返回(array([0, 0, 1, 1]), array(['L', 'D'], dtype=object))

我需要某种方法来抢先声明在创建数据框时存在3个不同级别的事实，并将正确的数值映射到正确的级别。我该如何实现？

最佳答案

使用Categorical这样的事情绝对是可能的：

outcome_cat = pd.Categorical(
    first_df['outcome'],
    categories=['L', 'W', 'D'], ordered=False
)

Categorical的语义可能与pd.factorize()的输出不完全相同，但是codes属性包含数据作为数值，只是Categorical也知道未观察到的'D'值：

outcome_cat.codes
Out[6]: array([0, 0, 1, 1], dtype=int8)