Restrições de pertencimento

Limpeza de dados em Python

Adel Nehme

Content Developer @DataCamp

Capítulo 2 - Problemas com texto e dados categóricos

Categorias e restrições de pertencimento

Conjunto finito pré-definido de categorias

Tipo de dado	Valores de exemplo	Representação numérica
Estado civil	`unmarried`, `married`	`0`,`1`
Faixa de renda familiar	`0-20K`, `20-40K`, ...	`0`,`1`, ..
Status do empréstimo	`default`,`payed`,`no_loan`	`0`,`1`,`2`

O estado civil só pode ser unmarried _ou_ married

Por que esses problemas ocorrem?

problemas_categoricos

Como tratar esses problemas?

categorias

Um exemplo

# Ler os dados do estudo e mostrá-los
study_data = pd.read_csv('study.csv')
study_data

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
5 Jennifer 2019-12-17         Z+
6  Kennedy 2020-04-27         A+
7    Keith 2019-04-19        AB+

# Tipos sanguíneos válidos
categories

  blood_type
1         O-
2         O+
3         A-
4         A+
5         B+
6         B-
7        AB+
8        AB-

Um exemplo

# Ler os dados do estudo e mostrá-los
study_data = pd.read_csv('study.csv')
study_data

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
5 Jennifer 2019-12-17         Z+  <--
6  Kennedy 2020-04-27         A+
7    Keith 2019-04-19        AB+

# Tipos sanguíneos válidos
categories

  blood_type
1         O-
2         O+
3         A-
4         A+
5         B+
6         B-
7        AB+
8        AB-

Uma nota sobre joins

Um left anti join por tipo sanguíneo

Um inner join por tipo sanguíneo

Encontrando categorias inconsistentes

inconsistent_categories = set(study_data['blood_type']).difference(categories['blood_type'])
print(inconsistent_categories)

{'Z+'}

# Obter e mostrar linhas com categorias inconsistentes
inconsistent_rows = study_data['blood_type'].isin(inconsistent_categories)

study_data[inconsistent_rows]

      name   birthday blood_type
5 Jennifer 2019-12-17         Z+

Removendo categorias inconsistentes

inconsistent_categories = set(study_data['blood_type']).difference(categories['blood_type'])
inconsistent_rows = study_data['blood_type'].isin(inconsistent_categories)
inconsistent_data = study_data[inconsistent_rows]

# Remover categorias inconsistentes e manter só as consistentes
consistent_data = study_data[~inconsistent_rows]

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
...    ...      ...          ...

Vamos praticar!

Limpeza de dados em Python