Definir variables categóricas

Trabajar con datos categóricos en Python

Kasey Jones

Research Data Scientist

Nuevo dataset: perros adoptables

dogs.info()

RangeIndex: 2937 entries, 0 to 2936, Data columns (total 19 columns):
 #   Column             Non-Null Count  Dtype  
 --  ------             --------------  -----  
 0   ID                 2937 non-null   int64  
 ...
 8   color              2937 non-null   object 
 9   coat               2937 non-null   object 
 ...
 17  get_along_cats     431 non-null    object 
 18  keep_in            1916 non-null   object 
dtypes: float64(1), int64(1), object(17)
memory usage: 436.1+ KB
...

¹ https://www.kaggle.com/jmolitoris/adoptable-dogs

El pelaje de un perro

dogs["coat"] = dogs["coat"].astype("category")
dogs["coat"].value_counts(dropna=False)

short         1972
medium         565
wirehaired     220
long           180
Name: coat, dtype: int64

El objeto accesor .cat

Series.cat.method_name

Parámetros comunes:

new_categories: lista de categorías
inplace: Booleano; si la actualización sobrescribe la Serie
ordered: Booleano; si se trata como categórica ordenada

Definir categorías de una Series

Definir categorías:

dogs["coat"] = dogs["coat"].cat.set_categories(
  new_categories=["short", "medium", "long"]
)

Revisar conteos:

dogs["coat"].value_counts(dropna=False)

short     1972
medium     565
NaN        220
long       180

Definir el orden

dogs["coat"] = dogs["coat"].cat.set_categories(
  new_categories=["short", "medium", "long"],
  ordered=True
)
dogs["coat"].head(3)

0     short
1     short
2     short
Name: coat, dtype: category
Categories (3, object): ['short' < 'medium' < 'long']

Categorías faltantes

dogs["likes_people"].value_counts(dropna=False)

yes    1991
NaN     938
no        8

Un NaN puede significar:

Desconocido de verdad (no lo comprobamos)
No seguro (el perro quiere a “algunas” personas)

Añadir categorías

dogs["likes_people"] = dogs["likes_people"].astype("category")
dogs["likes_people"] = dogs["likes_people"].cat.add_categories(
  new_categories=["did not check", "could not tell"]
)

Revisar categorías:

dogs["likes_people"].cat.categories

Index(['no', 'yes', 'did not check', 'could not tell'], dtype='object')

Nuevas categorías

dogs["likes_people"].value_counts(dropna=False)

yes               1991
NaN                938
no                   8
could not tell       0
did not check        0

Quitar categorías

dogs["coat"] = dogs["coat"].astype("category")
dogs["coat"] = dogs["coat"].cat.remove_categories(removals=["wirehaired"])

Revisa las categorías:

dogs["coat"].cat.categories

Index(['long', 'medium', 'short'], dtype='object')

Resumen de métodos

Fijar: cat.set_categories()
- Sirve para definir el orden de las categorías
- Todos los valores no especificados aquí se eliminan
Añadir: cat.add_categories()
- No cambia ningún valor del DataFrame
- Las categorías no listadas se mantienen
Quitar: cat.remove_categories()
- Los valores que coinciden con las categorías listadas pasan a NaN

Practica: actualizar categorías

Trabajar con datos categóricos en Python