Variáveis categóricas

Limpeza de dados em Python

Adel Nehme

Content Developer @DataCamp

Que erros podemos ter?

I) Inconsistência de valores

Campos inconsistentes: 'married', 'Maried', 'UNMARRIED', 'not married'..
Espaços ao final: 'married ', ' married '..

II) Reduzindo muitas categorias para poucas

Criar novos grupos: categorias 0-20K, 20-40K ... a partir de renda domiciliar contínua
Mapear grupos para novos: mapear categorias de renda para 2 'rich', 'poor'

III) Garantir que o tipo seja category (visto no Capítulo 1)

Consistência de valores

Capitalização: 'married', 'Married', 'UNMARRIED', 'unmarried'..

# Pegar a coluna marriage_status
marriage_status = demographics['marriage_status']
marriage_status.value_counts()

unmarried    352
married      268
MARRIED      204
UNMARRIED    176
dtype: int64

Consistência de valores

# Contar valores no DataFrame
marriage_status.groupby('marriage_status').count()

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

Consistência de valores

# Transformar em maiúsculas

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

UNMARRIED    528
MARRIED      472

# Transformar em minúsculas

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

unmarried    528
married      472

Consistência de valores

Espaços extras: 'married ', 'married', 'unmarried', ' unmarried'..

# Pegar a coluna marriage_status
marriage_status = demographics['marriage_status']
marriage_status.value_counts()

 unmarried   352
unmarried    268
married      204
married      176
dtype: int64

Consistência de valores

# Remover todos os espaços
demographics = demographics['marriage_status'].str.strip()
demographics['marriage_status'].value_counts()

unmarried    528
married      472

Agrupar dados em categorias

Criar categorias a partir dos dados: coluna income_group a partir de income.

# Usando 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)
# Imprimir a coluna income_group
demographics[['income_group', 'household_income']]

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

Agrupar dados em categorias

Criar categorias a partir dos dados: coluna income_group a partir de income.

# Usando cut() - criar faixas e nomes das categorias
ranges = [0,200000,500000,np.inf]
group_names = ['0-200K', '200K-500K', '500K+']
# Criar a coluna de grupo de renda
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 dados em categorias

Mapear categorias para menos: reduzir categorias em uma coluna categórica.

Coluna operating_system: 'Microsoft', 'MacOS', 'IOS', 'Android', 'Linux'

Coluna operating_system deve virar: 'DesktopOS', 'MobileOS'

# Criar dicionário de mapeamento e substituir
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 praticar!

Limpeza de dados em Python