Variabili categoriche

Pulizia dei dati in Python

Adel Nehme

Content Developer @DataCamp

Che errori potremmo avere?

I) Incoerenza dei valori

Campi incoerenti: 'married', 'Maried', 'UNMARRIED', 'not married'..
Spazi finali: 'married ', ' married '..

II) Ridurre troppe categorie

Creare nuovi gruppi: categorie 0-20K, 20-40K ... da dati di reddito familiare continui
Mappare gruppi in nuovi: mappare le categorie di reddito familiare in 2 'rich', 'poor'

III) Assicurarsi che il tipo sia category (visto nel Capitolo 1)

Coerenza dei valori

Maiuscole/minuscole: 'married', 'Married', 'UNMARRIED', 'unmarried'..

# Ottieni la colonna marriage_status
marriage_status = demographics['marriage_status']
marriage_status.value_counts()

unmarried    352
married      268
MARRIED      204
UNMARRIED    176
dtype: int64

Coerenza dei valori

# Conta i valori nel DataFrame
marriage_status.groupby('marriage_status').count()

                 household_income  gender
marriage_status                          
MARRIED                       204     204
UNMARRIED                     176     176
married                       268     268
unmarried                     352     352

Coerenza dei valori

# Conversione in maiuscolo

marriage_status['marriage_status'] = marriage_status['marriage_status'].str.upper()
marriage_status['marriage_status'].value_counts()

UNMARRIED    528
MARRIED      472

# Conversione in minuscolo

marriage_status['marriage_status'] = marriage_status['marriage_status'].str.lower()
marriage_status['marriage_status'].value_counts()

unmarried    528
married      472

Coerenza dei valori

Spazi finali: 'married ', 'married', 'unmarried', ' unmarried'..

# Ottieni la colonna marriage_status
marriage_status = demographics['marriage_status']
marriage_status.value_counts()

 unmarried   352
unmarried    268
married      204
married      176
dtype: int64

Coerenza dei valori

# Rimuovi tutti gli spazi
demographics = demographics['marriage_status'].str.strip()
demographics['marriage_status'].value_counts()

unmarried    528
married      472

Raggruppare dati in categorie

Crea categorie dai dati: colonna income_group dalla colonna income.

# Usando qcut()
import pandas as pd
group_names = ['0-200K', '200K-500K', '500K+']
demographics['income_group'] = pd.qcut(demographics['household_income'], q = 3, 
                                       labels = group_names)
# Stampa la colonna income_group
demographics[['income_group', 'household_income']]

     category  household_income
0   200K-500K  189243
1       500K+  778533
..

Raggruppare dati in categorie

Crea categorie dai dati: colonna income_group dalla colonna income.

# Usando cut() - crea intervalli e nomi delle categorie
ranges = [0,200000,500000,np.inf]
group_names = ['0-200K', '200K-500K', '500K+']
# Crea la colonna income_group
demographics['income_group'] = pd.cut(demographics['household_income'], bins=ranges, 
                                      labels=group_names)
demographics[['income_group', 'household_income']]

     category  Income
0      0-200K  189243
1       500K+  778533

Raggruppare dati in categorie

Mappa categorie in meno classi: riduci le categorie in una colonna categorica.

La colonna operating_system è: 'Microsoft', 'MacOS', 'IOS', 'Android', 'Linux'

La colonna operating_system deve diventare: 'DesktopOS', 'MobileOS'

# Crea un dizionario di mapping e sostituisci
mapping = {'Microsoft':'DesktopOS', 'MacOS':'DesktopOS', 'Linux':'DesktopOS',
           'IOS':'MobileOS', 'Android':'MobileOS'}
devices['operating_system'] = devices['operating_system'].replace(mapping)
devices['operating_system'].unique()

array(['DesktopOS', 'MobileOS'], dtype=object)

Mettiamoci alla prova!

Pulizia dei dati in Python