首先，更改列的类型：

df.cc = pd.Categorical(df.cc)

现在，数据看起来相似，但分类存储。要捕获类别代码：

df['code'] = df.cc.cat.codes

现在您有：

cc  temp  code
0  US  37.0     2
1  CA  12.0     1
2  US  35.0     2
3  AU  20.0     0

如果你不想修改你的DataFrame，而只是获取代码：

df.cc.astype('category').cat.codes

或者使用分类列作为索引：

df2 = pd.DataFrame(df.temp)
df2.index = pd.CategoricalIndex(df.cc)

如果只想将序列转换为整数标识符，可以使用pd.factorize。
请注意，与pd.Categorical不同，此解决方案不会按字母顺序排序。因此第一个国家将被分配0。如果您希望从1开始，您可以添加一个常量：

df['code'] = pd.factorize(df['cc'])[0] + 1

print(df)

   cc  temp  code
0  US  37.0     1
1  CA  12.0     2
2  US  35.0     1
3  AU  20.0     3

如果希望按字母顺序排序，请指定sort=True：

df['code'] = pd.factorize(df['cc'], sort=True)[0] + 1

如果你使用的是sklearn库，你可以使用LabelEncoder。像pd.Categorical一样，输入字符串在编码前按字母顺序排序。

from sklearn.preprocessing import LabelEncoder

LE = LabelEncoder()
df['code'] = LE.fit_transform(df['cc'])

print(df)

   cc  temp  code
0  US  37.0     2
1  CA  12.0     1
2  US  35.0     2
3  AU  20.0     0

单行代码：

df[['cc']] = df[['cc']].apply(lambda col:pd.Categorical(col).codes)

如果你有一个list_of_columns，这也是有效的：

df[list_of_columns] = df[list_of_columns].apply(lambda col:pd.Categorical(col).codes)

此外，如果你想保留你的NaN值，你可以应用一个替换：

df[['cc']] = df[['cc']].apply(lambda col:pd.Categorical(col).codes).replace(-1,np.nan)

试试这个，根据频率转换为数字（高频-高数字）：

labels = df[col].value_counts(ascending=True).index.tolist()
codes = range(1,len(labels)+1)
df[col].replace(labels,codes,inplace=True)

将任何列更改为Numbers。它不会创建新列，而只是将值替换为数值数据。

def characters_to_numb(*args):
    for arg in args:
        df[arg] = pd.Categorical(df[arg])
        df[arg] = df[arg].cat.codes
    return df