Agrupar datos por categoría en pandas
Trabajar con datos categóricos en Python
Kasey Jones
Research Data Scientist
Fundamentos de .groupby(): dividir datos
adult = pd.read_csv("data/adult.csv")
adult1 = adult[adult["Above/Below 50k"] == " <=50K"]
adult2 = adult[adult["Above/Below 50k"] == " >50K"]
se sustituye por
groupby_object = adult.groupby(by=["Above/Below 50k"])
Fundamentos de .groupby(): aplicar una función
groupby_object = adult.groupby(by=["Above/Below 50k"])
Aplica una función:
groupby_object.mean()
Age fnlgwt Education Num Capital Gain ...
Above/Below 50k
<=50K 36.783738 190340.86517 9.595065 148.752468 ...
>50K 44.249841 188005.00000 11.611657 4006.142456 ...
En una línea:
adult.groupby(by=["Above/Below 50k"]).mean()
Especificar columnas
Opción 1: ejecuta .sum() solo en dos columnas.
adult.groupby(by=["Above/Below 50k"])['Age', 'Education Num'].sum()
Age Education Num
Above/Below 50k
<=50K 909294 237190
>50K 346963 91047
Opción 2: ejecuta .sum() en todas las columnas numéricas y luego submuestra.
adult.groupby(by=["Above/Below 50k"]).sum()[['Age', 'Education Num']]
Mejor la opción 1, sobre todo con datasets grandes
Groupby con varias columnas
adult.groupby(by=["Above/Below 50k", "Marital Status"]).size()
Above/Below 50k Marital Status
<=50K Divorced 3980
Married-AF-spouse 13
Married-civ-spouse 8284
Married-spouse-absent 384
Never-married 10192
Separated 959
Widowed 908
>50K Divorced 463
Married-AF-spouse 10 <--- Solo 10 registros
Married-civ-spouse 6692
...
¡Vamos a practicar!
Trabajar con datos categóricos en Python
