pandas的factorize()，numpy库unique函数

1、factorize函数可以将Series中的标称型数据映射称为一组数字，相同的标称型映射为相同的数字。

factorize函数的返回值是一个tuple（元组），元组中包含两个元素。

第一个元素是一个array，其中的元素是标称型元素映射为的数字；

第二个元素是Index类型，其中的元素是所有标称型元素，没有重复。

# coding=utf-8
import numpy as np
import xgboost as xgb
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.ensemble import RandomForestClassifier
import pandas as pd
import csv
from pandas import DataFrame

df = pd.DataFrame({"id":[1,2,3,4,5,6,3,2], "raw_grade":['a', 'b', 'b','a', 'a', 'e','c','a']})
print df
print '\n'
x = pd.factorize(df.raw_grade)
print x

结果：

   id raw_grade
0   1         a
1   2         b
2   3         b
3   4         a
4   5         a
5   6         e
6   3         c
7   2         a


(array([0, 1, 1, 0, 0, 2, 3, 0], dtype=int64), Index([u'a', u'b', u'e', u'c'], dtype='object'))

2、numpy库unique函数解析

unique()函数返回参数数组中所有不同的值，并按照从小到大排序

该函数有两个可选参数：

return_index: True 表示unique()后的新数据在原始数组中的下标；

return_inverse :True      表示重建后的数组中各元素对应的下标 在原始数组或列表中表示出来；

1）对于一维列表或数组A: 

import numpy as np
A = [1, 2, 2, 3, 4, 3]
a = np.unique(A)
print a            # 输出为 [1 2 3 4]
a, b, c = np.unique(A, return_index=True, return_inverse=True)
print a, b, c      # 输出为 [1 2 3 4], [0 1 3 4], [0 1 1 2 3 2]

注意：上面与下面的不之同之处

A = [4, 2, 2, 3, 1, 3]
a = np.unique(A)
print a            # 输出为 [1 2 3 4]
a, b, c = np.unique(A, return_index=True, return_inverse=True)
print a, b, c      # 输出为 [1 2 3 4] [4 1 3 0] [3 1 1 2 0 2]

说明：

c  重建后的列表[1 2 3 4]中各元素对应的下标 为：0，1，2，3  ，  在原始数组或列表中表示出来[3 1 1 2 0 2]；即4的下标为3，3的下标为2，2的下标为1，1的下标为0.

2）对于二维数组(“darray数字类型”): 

A = [[1, 2], [3, 4], [5, 6], [1, 2]]
A = np.array(A)   #列表类型需转为数组类型
a, b, c = np.unique(A.view(A.dtype.descr * A.shape[1]), return_index=True, return_inverse=True)
print a, b, c     #输出为 [(1, 2) (3, 4) (5, 6)], [0 1 2], [0 1 2 0]