Regrouper des données par catégorie avec pandas
Utilisation de données catégorielles dans Python
Kasey Jones
Research Data Scientist
Bases de .groupby() : scinder les données
adult = pd.read_csv("data/adult.csv")
adult1 = adult[adult["Above/Below 50k"] == " <=50K"]
adult2 = adult[adult["Above/Below 50k"] == " >50K"]
est remplacé par
groupby_object = adult.groupby(by=["Above/Below 50k"])
Bases de .groupby() : appliquer une fonction
groupby_object = adult.groupby(by=["Above/Below 50k"])
Appliquer une fonction :
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 une ligne :
adult.groupby(by=["Above/Below 50k"]).mean()
Spécifier des colonnes
Option 1 : exécute uniquement .sum() sur deux colonnes.
adult.groupby(by=["Above/Below 50k"])['Age', 'Education Num'].sum()
Age Education Num
Above/Below 50k
<=50K 909294 237190
>50K 346963 91047
Option 2 : applique .sum() à toutes les colonnes numériques puis sous-sélectionne.
adult.groupby(by=["Above/Below 50k"]).sum()[['Age', 'Education Num']]
Option 1 est préférable — surtout sur de grands jeux de données
Groupby sur plusieurs colonnes
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 <--- Only 10 records
Married-civ-spouse 6692
...
Passons à la pratique !
Utilisation de données catégorielles dans Python
