1.15 分类数据与有序分类
第 5 章和第 11 章都提到过 category 类型：它既能节省内存，又支持有序比较。分类数据在统计软件（如 R 的 factor）中很常见，适合表达性别、等级、地区这类取值有限的变量。本节完整讲解分类数据的创建、属性、操作方法，以及与分组聚合的配合，重点是有序分类带来的排序与比较能力。
1.15.1 创建分类数据
pd.Categorical()
pd.Categorical() 直接创建分类对象：
import pandas as pd
cat = pd.Categorical(['低', '中', '高', '中', '低'])
print(cat)
# ['低', '中', '高', '中', '低']
# Categories (3, object): ['中', '低', '高']dtype='category'
创建 Series 或 DataFrame 列时指定 dtype='category'：
s = pd.Series(['低', '中', '高', '中'], dtype='category')
print(s.dtype) # category指定类别集合与顺序
categories 参数指定类别集合，ordered=True 声明有序：
cat = pd.Categorical(['低', '高', '中'],
categories=['低', '中', '高'],
ordered=True)
print(cat.categories) # Index(['低', '中', '高'], dtype='object')
print(cat.ordered) # True指定 categories 后，不在集合中的值会被置为 NaN。有序分类把类别定义为有明确大小关系的等级。
1.15.2 分类属性
.cat 访问器提供分类数据的属性：
s = pd.Series(['低', '中', '高', '中'], dtype='category')
print(s.cat.categories) # 类别集合
print(s.cat.ordered) # 是否有序
print(s.cat.codes) # 整数编码
# 0 0
# 1 1
# 2 2
# 3 1categories 是全部可能的类别（去重排序），ordered 标明是否有序，codes 是每个元素在类别集合中的整数位置。codes 配合 categories 可以还原原始值。
1.15.3 分类方法
.cat 提供一组修改类别的方法，它们都返回新对象：
s = pd.Series(['低', '中', '高'], dtype='category')
print(s.cat.add_categories(['极高'])) # 增加类别
print(s.cat.remove_categories(['高'])) # 移除类别（该值变 NaN）
print(s.cat.set_categories(['低', '中', '高', '极高'])) # 重设类别集合
print(s.cat.reorder_categories(['高', '中', '低'])) # 重排类别顺序
print(s.cat.as_ordered()) # 转为有序
print(s.cat.as_unordered()) # 转为无序
print(s.cat.rename_categories({'低': 'L', '中': 'M', '高': 'H'})) # 重命名类别各方法的作用：add_categories 追加新类别；remove_categories 删除类别，对应取值变为 NaN；set_categories 整体重设类别集合，不在新集合中的值变 NaN；reorder_categories 调整类别顺序（类别集合不变）；as_ordered/as_unordered 切换有序状态；rename_categories 用映射或列表重命名类别。
1.15.4 有序分类的比较与排序
有序分类支持大小比较，这是它相对于字符串的核心优势。无序分类只能判断相等，不能比较大小：
s = pd.Series(['低', '中', '高'], dtype='category')
s_ordered = s.cat.reorder_categories(['低', '中', '高']).cat.as_ordered()
print(s_ordered > '低')
# 0 False
# 1 True
# 2 True
print(s_ordered < '高')
# 0 True
# 1 True
# 2 False
print(s_ordered.sort_values())
# 0 低
# 1 中
# 2 高sort_values() 会按照类别顺序而非字典序排序。例如把等级从低到高排序时，分类顺序给出的结果符合业务直觉，而字符串排序会得到错误的字典序。
1.15.5 分类与分组
分类列与分组配合使用。按分类列分组时，即使某些类别没有数据，分组结果仍会保留全部类别：
df = pd.DataFrame({'等级': pd.Categorical(['优', '良', '优'],
categories=['优', '良', '中', '差']),
'分数': [90, 80, 95]})
print(df.groupby('等级', observed=False)['分数'].mean())
# 等级
# 优 92.5
# 良 80.0
# 中 NaN
# 差 NaNobserved=False 时保留所有声明的类别（含无数据的类别），observed=True 只保留实际出现的类别。有序分类分组后可以用 sort_index() 按业务顺序排列结果。
分类数据还常用于柱状图、箱线图的分组可视化，类别顺序决定图表中的展示顺序。
1.15.6 分类数据的运算
分类 Series 参与聚合时按类别处理，value_counts 默认只统计出现的类别，dropna=False 与 observed=False 组合可以统计全部类别：
s = pd.Series(['优', '良', '优', '中'], dtype='category')
print(s.value_counts())练习题
第1题 概念理解
说明有序分类与无序分类的区别；说明 remove_categories 移除类别后对应值变成什么。
参考答案
有序分类声明了类别间的大小关系，支持 <、> 比较与按类别顺序排序；无序分类只能判断相等。remove_categories 移除类别后，该类别对应的值变成 NaN。
第2题 代码编写
创建一个有序分类 Series（低、中、高），比较其中元素是否高于"低"；用 rename_categories 重命名类别；用 sort_values 按类别顺序排序。
参考答案
import pandas as pd
s = pd.Series(['低', '中', '高'], dtype='category')
s = s.cat.set_categories(['低', '中', '高']).cat.as_ordered()
print(s > '低')
print(s.cat.rename_categories({'低': 'L', '中': 'M', '高': 'H'}))
print(s.sort_values())第3题 进阶练习
创建含 category 列（含未出现的类别）的 DataFrame，用 groupby(level='等级', observed=False) 保留全部类别聚合；用 add_categories 与 remove_categories 观察值的变化。
参考答案
import pandas as pd
df = pd.DataFrame({'等级': pd.Categorical(['优', '良'], categories=['优', '良', '差']),
'分数': [90, 80]})
print(df.groupby('等级', observed=False)['分数'].mean())
s = pd.Series(['优', '良'], dtype='category')
print(s.cat.add_categories(['极差']))
print(s.cat.remove_categories(['良']))常见错误
错误 1 · 无序分类做比较时报 TypeError: Unordered Categoricals can only compare equality
原因:分类未声明有序,却用了 <、> 等大小比较。
解决:先 .cat.as_ordered() 或 reorder_categories(...).cat.as_ordered() 再比较。
错误 2 · remove_categories 后数据神秘消失
原因:移除类别时,该类别对应的取值全部变成 NaN,观察时以为数据丢了。
解决:移除前先确认受影响的范围,移除后按需 fillna 或重新归类。
错误 3 · set_categories 后部分值变 NaN
原因:重设的类别集合不包含某些原取值。
解决:确认新类别集合覆盖全部原取值,或接受并处理产生的缺失。
错误 4 · 分组结果包含意料之外的 NaN 行
原因:observed=False 保留了无数据的类别。
解决:用 observed=True 只保留实际出现的类别,或接受空类别用于对齐。