Datentypen und Datenzusammenführung

Marketingkampagnen mit pandas analysieren

Jill Rosok

Data Scientist

Häufige Datentypen

Strings (Objekte)
Zahlen (Floats, Integers)
Boolesche Werte (True, False)
Daten

Datentyp einer Spalte

# Datentyp einer einzelnen Spalte ausgeben
print(marketing['converted'].dtype)

dtype('object')

Datentyp einer Spalte ändern

# Datentyp einer Spalte ändern
marketing['converted'] = marketing['converted']\
                          .astype('bool')

print(marketing['converted'].dtype)

dtype('bool')

Neue boolesche Spalten erstellen

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

Werte auf bestehende Spalten abbilden

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

Datumsspalten

# Datums-Spalten mit parse_dates einlesen
marketing = pd.read_csv('marketing.csv', 
                        parse_dates=['date_served', 
                                     'date_subscribed', 
                                     'date_canceled'])

# Oder
# Vorhandene Spalte in datetime umwandeln
marketing['date_served'] = pd.to_datetime(
    marketing['date_served']
)

Datumsspalten

# Oder jede Spalte einzeln umwandeln
# Vorhandene Spalte in datetime umwandeln
marketing['date_served'] = pd.to_datetime(
    marketing['date_served']
)

Datumsspalten

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

Lass uns üben!

Marketingkampagnen mit pandas analysieren