Variables categóricas

Limpieza de datos en Python

Adel Nehme

Content Developer @DataCamp

¿Qué tipo de errores podrían surgir?

I) Inconsistencia de valores

Campos incoherentes: 'married', 'Maried', 'UNMARRIED', 'not married'..
Espacios en blanco al final:'married ', ' married '..

II) Reducir demasiadas categorías a unas pocas

Creación de nuevos grupos: 0-20K, 20-40K categorías ... a partir de datos continuos sobre ingresos familiares.
Asignación de grupos a otros nuevos: Asignación de las categorías de ingresos familiares a 2 'rich', 'poor'

III) Asegurarse de que los datos sean del tipo category(véase el capítulo 1).

Consistencia del valor

las mayúsculas.

# Get marriage status column
marriage_status = demographics['marriage_status']
marriage_status.value_counts()

unmarried    352
married      268
MARRIED      204
UNMARRIED    176
dtype: int64

Consistencia del valor

# Get value counts on DataFrame
marriage_status.groupby('marriage_status').count()

                 household_income  gender
marriage_status                          
MARRIED                       204     204
UNMARRIED                     176     176
married                       268     268
unmarried                     352     352

Consistencia del valor

# Capitalize

marriage_status['marriage_status'] = marriage_status['marriage_status'].str.upper()
marriage_status['marriage_status'].value_counts()

UNMARRIED    528
MARRIED      472

# Lowercase

marriage_status['marriage_status'] = marriage_status['marriage_status'].str.lower()
marriage_status['marriage_status'].value_counts()

unmarried    528
married      472

Consistencia del valor

Espacios finales: 'married ', 'married', 'unmarried', ' unmarried'..

# Get marriage status column
marriage_status = demographics['marriage_status']
marriage_status.value_counts()

 unmarried   352
unmarried    268
married      204
married      176
dtype: int64

Consistencia del valor

# Strip all spaces
demographics = demographics['marriage_status'].str.strip()
demographics['marriage_status'].value_counts()

unmarried    528
married      472

Agrupar datos en categorías

Crea categorías a partir de datos: columna « income_group » a partir de la columna « income ».

# Using qcut()
import pandas as pd
group_names = ['0-200K', '200K-500K', '500K+']
demographics['income_group'] = pd.qcut(demographics['household_income'], q = 3, 
                                       labels = group_names)
# Print income_group column
demographics[['income_group', 'household_income']]

     category  household_income
0   200K-500K  189243
1       500K+  778533
..

Agrupar datos en categorías

Crea categorías a partir de datos: columna « income_group » a partir de la columna « income ».

# Using cut() - create category ranges and names
ranges = [0,200000,500000,np.inf]
group_names = ['0-200K', '200K-500K', '500K+']
# Create income group column
demographics['income_group'] = pd.cut(demographics['household_income'], bins=ranges, 
                                      labels=group_names)
demographics[['income_group', 'household_income']]

     category  Income
0      0-200K  189243
1       500K+  778533

Agrupar datos en categorías

Asigna las categorías a un número menor: reduce las categorías en la columna categórica.

operating_system La columna es: 'Microsoft', 'MacOS', 'IOS', 'Android', 'Linux'

operating_system La columna debería quedar así: 'DesktopOS', 'MobileOS'

# Create mapping dictionary and replace
mapping = {'Microsoft':'DesktopOS', 'MacOS':'DesktopOS', 'Linux':'DesktopOS',
           'IOS':'MobileOS', 'Android':'MobileOS'}
devices['operating_system'] = devices['operating_system'].replace(mapping)
devices['operating_system'].unique()

array(['DesktopOS', 'MobileOS'], dtype=object)

¡Vamos a practicar!

Limpieza de datos en Python