Limpando e acessando dados
Trabalhando com dados categóricos em Python
Kasey Jones
Research Data Scientist
Possíveis problemas com dados categóricos
1) Valores inconsistentes: "Ham", "ham", " Ham"
2) Valores com erro: "Ham", "Hma"
3) dtype errado: df['Our Column'].dtype
dtype('O')
Identificando problemas
Use um destes:
Series.cat.categoriesSeries.value_counts()
dogs["get_along_cats"].value_counts()
No 2503
yes 275
no 156
Noo 2
NO 1
Corrigindo: espaços em branco
Removendo espaços: .strip()
dogs["get_along_cats"] = dogs["get_along_cats"].str.strip()
Conferir as frequências:
dogs["get_along_cats"].value_counts()
No 2503
yes 275
no 156
Noo 2
NO 1 # < ---- sem espaços extras
Corrigindo: capitalização
Capitalização: .title(), .upper(), .lower()
dogs["get_along_cats"] = dogs["get_along_cats"].str.title()
Conferir as frequências:
dogs["get_along_cats"].value_counts()
No 2660
Yes 275
Noo 2
Corrigindo: palavras com erro
Corrigindo um erro com .replace()
replace_map = {"Noo": "No"}
dogs["get_along_cats"].replace(replace_map, inplace=True)
Conferir as frequências:
dogs["get_along_cats"].value_counts()
No 2662
Yes 275
Verificando o tipo de dado
Verificando o dtype
dogs["get_along_cats"].dtype
dtype('O')
Convertendo de volta para categoria
dogs["get_along_cats"] = dogs["get_along_cats"].astype("category")
Usando o acessor str
Buscando uma string
dogs["breed"].str.contains("Shepherd", regex=False)
0 False
1 False
2 False
...
2935 False
2936 True
Acessando dados com loc
Acessar valores da Series por categoria
dogs.loc[dogs["get_along_cats"] == "Yes", "size"]
Contagem de valores da Series:
dogs.loc[dogs["get_along_cats"] == "Yes", "size"].value_counts(sort=False)
small 69
medium 169
large 37
Prática: limpar e acessar
Trabalhando com dados categóricos em Python
