Einschränkung des Wertebereichs

Datenbereinigung in Python

Adel Nehme

Content Developer @DataCamp

Kapitel 2 – Probleme mit Text- und kategorialen Daten

Kategorien und Wertebereichsbeschränkungen

Eine bestimmte Anzahl von Kategorien

Datentyp	Beispielwerte	Numerische Darstellung
Familienstand	`unmarried`, `married`	`0`,`1`
Einkommensklasse der Haushalte	`0-20K`, `20-40K`, ...	`0`,`1`, ..
Kreditstatus	`default`,`payed`,`no_loan`	`0`,`1`,`2`

Der Familienstand kann nur entweder unmarried oder married sein.

Wie kommt es zu diesen Problemen?

categorical_issues

Wie gehen wir mit diesen Problemen um?

Kategorien

Ein Beispiel

# Read study data and print it
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+

# Correct possible blood types
categories

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

Ein Beispiel

# Read study data and print it
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+

# Correct possible blood types
categories

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

Ein Hinweis zu Verknüpfungen

Ein LINKER ANTI JOIN für Blutgruppen

Ein INNER JOIN nach Blutgruppen

Inkonsistente Kategorien finden

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

{'Z+'}

# Get and print rows with inconsistent categories
inconsistent_rows = study_data['blood_type'].isin(inconsistent_categories)

study_data[inconsistent_rows]

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

Inkonsistente Kategorien löschen

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]

# Drop inconsistent categories and get consistent data only
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-
...    ...      ...          ...

Lass uns üben!

Datenbereinigung in Python