Types de données et fusions de données

Analyzing Marketing Campaigns with pandas

Jill Rosok

Data Scientist

Types de données courants

Chaînes (objects)
Nombres (floats, integers)
Booléens (True, False)
Dates

Type d’une colonne

# Afficher le type d’une colonne
print(marketing['converted'].dtype)

dtype('object')

Changer le type d’une colonne

# Changer le type d’une colonne
marketing['converted'] = marketing['converted']\
                          .astype('bool')

print(marketing['converted'].dtype)

dtype('bool')

Créer de nouvelles colonnes booléennes

marketing['is_house_ads'] = np.where(
    marketing['marketing_channel'] == 'House Ads', 
    True, False
)

print(marketing.is_house_ads.head(3))

0    True
1    False
2    True
Name: is_house_ads, dtype: bool

Mapper des valeurs vers des colonnes existantes

channel_dict = {"House Ads": 1, "Instagram": 2, 
                "Facebook": 3, "Email": 4, "Push": 5}

marketing['channel_code'] = marketing['marketing_channel']\
                              .map(channel_dict)

print(marketing['channel_code'].head(3))

0    1
1    1
2    1
Name: channel_code, dtype: int64

Colonnes de dates

# Lire des colonnes de dates avec parse_dates
marketing = pd.read_csv('marketing.csv', 
                        parse_dates=['date_served', 
                                     'date_subscribed', 
                                     'date_canceled'])

# Ou
# Convertir une colonne existante en datetime
marketing['date_served'] = pd.to_datetime(
    marketing['date_served']
)

Colonnes de dates

# Ou convertir chaque colonne séparément
# Convertir une colonne existante en datetime
marketing['date_served'] = pd.to_datetime(
    marketing['date_served']
)

Colonnes de dates

marketing['day_served'] = marketing['date_served']\
                       .dt.dayofweek

Passons à la pratique !

Analyzing Marketing Campaigns with pandas