Pandas tiene un tipo de datos llamado category
, pensado para estos casos en los que en una columna sólo puede haber ciertos valores, típicamente etiquetados con diferentes identificadores (en tu caso success
, failure
, etc.) que es más eficiente en términos de memoria que el uso de strings.
Tu columna en cambio, aunque conceptualmente tiene datos categóricos, en realidad no los tiene para pandas porque sus elementos son strings. Pandas tiene un método para convertir strings en categorías. Una vez lo tienes así, permite obtener diferentes representaciones para esas categorías (representación textual o numérica, por ejemplo).
Voy a construir un dataframe aleatorio para ejemplificarlo:
import pandas as pd
import random
categorias = ["unknown", "failure", "other", "success"]
data = { "out": [random.choice(categorias) for _ in range(20)]}
df = pd.DataFrame(data)
print(df.out.head())
0 success
1 success
2 other
3 success
4 success
Name: out, dtype: object
Fíjate al final, en el dtype: object
, que es el tipo que pandas asigna a lo que no son números, ni categorías. En concreto, en este caso, son strings.
Para obtener esa columna como "categorias" en vez de cadenas:
r = df.out.astype("category")
print(r.head())
0 success
1 success
2 other
3 success
4 success
Name: out, dtype: category
Categories (4, object): [failure, other, success, unknown]
Aunque la salida sigue siendo textual, los elementos de esa columna son ahora dtype: category
(y al final te muestra los cuatro posibles valores de la categoría, que ha detectado automáticamente).
Ahora podemos operar sobre esa columna de diferentes formas. Por ejemplo r.str
permite acceder a los elementos como cadenas, para usar cosas del estilo de r.str.contains("o")
, por ejemplo, para obtener una columna de booleanos que serán True
para los casos en que la categoria contenga una o
.
Lo que te interesa a tí es acceder a los elementos como categorías (r.cat
) para extraer su código, que es un entero (r.cat.codes
). En el siguiente ejemplo lo asigno a otra columna del dataframe, pero tú podrías asignarlo si quieres a la misma out
:
df["code"] = r.cat.codes
print(df.head())
out code
0 success 2
1 success 2
2 other 1
3 success 2
4 success 2