Définir des variables catégorielles

Utilisation de données catégorielles dans Python

Kasey Jones

Research Data Scientist

Nouveau jeu de données : chiens à l’adoption

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

Le pelage d’un chien

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

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

L’accesseur .cat

Series.cat.method_name

Paramètres courants :

new_categories : liste de catégories
inplace : booléen — l’update écrase-t-elle la Series
ordered : booléen — traiter la variable comme ordonnée

Définir les catégories d’une Series

Définir des catégories :

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

Vérifier les effectifs :

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

short     1972
medium     565
NaN        220
long       180

Définir l’ordre

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']

Catégories manquantes

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

yes    1991
NaN     938
no        8

Un NaN peut signifier :

Vraiment inconnu (non vérifié)
Incertain (le chien aime « certaines » personnes)

Ajouter des catégories

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"]
)

Vérifier les catégories :

dogs["likes_people"].cat.categories

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

Nouvelles catégories

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

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

Supprimer des catégories

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

Vérifier les catégories :

dogs["coat"].cat.categories

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

Récapitulatif des méthodes

Définir : cat.set_categories()
- Permet de définir l’ordre des catégories
- Toutes les valeurs non précisées sont supprimées
Ajouter : cat.add_categories()
- Ne modifie aucune valeur de la DataFrame
- Les catégories non listées restent inchangées
Supprimer : cat.remove_categories()
- Les valeurs correspondant aux catégories listées deviennent NaN

Exercice : mettre à jour les catégories

Utilisation de données catégorielles dans Python