Datos categóricos en pandas

Trabajar con datos categóricos en Python

Kasey Jones

Research Data Scientist

dtypes: object

adult = pd.read_csv("data/adult.csv")
adult.dtypes

Age                 int64
Workclass          object
fnlgwt              int64
Education          object
Education Num       int64
Marital Status     object
Occupation         object
Relationship       object
...

dtypes: category

dtype por defecto:

adult["Marital Status"].dtype

dtype('O')

Configura como categórico:

adult["Marital Status"] = adult["Marital Status"].astype("category")

adult["Marital Status"].dtype

CategoricalDtype(categories=[' Divorced', ' Married-AF-spouse',
' Married-civ-spouse', ' Married-spouse-absent', ' Never-married',
' Separated', ' Widowed'], ordered=False)

Crear una Series categórica

my_data = ["A", "A", "C", "B", "C", "A"]

my_series1 = pd.Series(my_data, dtype="category")
print(my_series1)

0    A
1    A
2    C
...
dtype: category
Categories (3, object): [A, B, C]

Crear una Series categórica

my_data = ["A", "A", "C", "B", "C", "A"]
my_series2 = pd.Categorical(my_data, categories=["C", "B", "A"], ordered=True)
my_series2

[A, A, C, B, C, A]
Categories (3, object): [C < B < A]

¿Por qué usar category?: memoria

Ahorro de memoria:

adult = pd.read_csv("data/adult.csv")
adult["Marital Status"].nbytes

adult["Marital Status"] = adult["Marital Status"].astype("category")
adult["Marital Status"].nbytes

Especifica dtypes al leer datos

Crea un diccionario:

adult_dtypes = {"Marital Status": "category"}

Indica el parámetro dtype:

adult = pd.read_csv("data/adult.csv", dtype=adult_dtypes)

Comprueba el dtype:
```
adult["Marital Status"].dtype
```

CategoricalDtype(categories=[' Divorced', ' Married-AF-spouse',
                             ..., ' Widowed'], ordered=False)

Práctica con categorías en pandas

Trabajar con datos categóricos en Python