category节省内存靠去重+整数编码，非压缩；唯一率超5%时反而更占内存；astype('category')易致nan误编码、categories不一致、cpu浪费；.str方法会触发拷贝，sort_values()按categories顺序而非字典序。
Category 类型节省内存，不是靠“压缩”，而是靠**避免重复存储字符串对象**——它把 100 万次 "北京" 换成一个长度为 100 万的 int8 数组 + 一份只含 ["北京", "上海", "广州"] 的短列表。
这背后没有魔法，只有两件事：去重 + 整数编码。但很多人误以为“只要列是字符串就该转 category”，结果内存反而涨了。
什么时候转 category 反而更占内存？
当唯一值太多时，category 就失效了：
-
df["col"].nunique() / len(df) > 0.05（即唯一率超 5%）——比如用户 ID、订单号、长 URL、随机哈希值 - 词典本身存了几乎全部原始字符串，再加一层整数索引，总内存比原
object还高 - 常见误判：看到“字符串列”就
astype('category')，没先算唯一率
astype('category') 默认行为埋了哪些坑？
它看似一行解决，实则静默引入三类问题：
A Python CLI skill for Cutout.Pro visual APIs — background removal, face cutout, and photo enhancement. Supports file upload & image URL input.
下载
调用 Cutout.Pro 视觉处理 API 进行背景移除、人像抠图和照片增强，支持文件上传与图片 URL 输入。
- 含
NaN时，NaN被当作合法 category，导致value_counts(dropna=False)多出一行，groupby结果偏移 - 多个 DataFrame 分别调用
astype('category')，categories顺序/内容不一致，merge或concat会静默失败（值相同但编码不同，匹配不上） - 反复调用会重建
categories，白耗 CPU；推荐显式构造：pd.Categorical(df["col"], categories=df["col"].dropna().unique(), ordered=False)
转完 category，哪些操作会悄悄变慢甚至崩溃？
省内存 ≠ 全面提速，有些操作会隐式退回到 object：
-
.str.contains()、.str.replace()等方法不支持category，触发完整拷贝，内存瞬间暴涨 -
sort_values()默认按categories定义顺序排，不是字典序；若列是时间字符串如"2023-01"/"2023-10"，得显式设ordered=True或改用pd.Categorical(..., ordered=True) -
query("col in ['A','B']")会隐式转换，应改用df["col"].isin(["A","B"])
别只盯列，index 也是内存黑洞
df.index.dtype == 'object' 同样吃内存——尤其当 index 是字符串（如 UUID、业务 ID）时。检查方式：df.index.memory_usage(deep=True)。必要时重置索引或转为 category（需先转为列）。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
