Vincoli di appartenenza

Pulizia dei dati in Python

Adel Nehme

Content Developer @DataCamp

Capitolo 2 - Problemi con testi e dati categorici

Categorie e vincoli di appartenenza

Insieme finito di categorie predefinite

Tipo di dato	Valori di esempio	Rappresentazione numerica
Stato civile	`unmarried`, `married`	`0`,`1`
Fascia di reddito familiare	`0-20K`, `20-40K`, ...	`0`,`1`, ..
Stato del prestito	`default`,`payed`,`no_loan`	`0`,`1`,`2`

Lo stato civile può solo essere unmarried _o_ married

Perché possiamo avere questi problemi?

problemi_categorici

Come trattiamo questi problemi?

categorie

Un esempio

# Leggi i dati dello studio e stampali
study_data = pd.read_csv('study.csv')
study_data

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
5 Jennifer 2019-12-17         Z+
6  Kennedy 2020-04-27         A+
7    Keith 2019-04-19        AB+

# Tipi di sangue validi
categories

  blood_type
1         O-
2         O+
3         A-
4         A+
5         B+
6         B-
7        AB+
8        AB-

Un esempio

# Leggi i dati dello studio e stampali
study_data = pd.read_csv('study.csv')
study_data

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
5 Jennifer 2019-12-17         Z+  <--
6  Kennedy 2020-04-27         A+
7    Keith 2019-04-19        AB+

# Tipi di sangue validi
categories

  blood_type
1         O-
2         O+
3         A-
4         A+
5         B+
6         B-
7        AB+
8        AB-

Nota sui join

Left anti join sui gruppi sanguigni

Inner join sui gruppi sanguigni

Trovare categorie incoerenti

inconsistent_categories = set(study_data['blood_type']).difference(categories['blood_type'])
print(inconsistent_categories)

{'Z+'}

# Ottieni e stampa le righe con categorie incoerenti
inconsistent_rows = study_data['blood_type'].isin(inconsistent_categories)

study_data[inconsistent_rows]

      name   birthday blood_type
5 Jennifer 2019-12-17         Z+

Rimuovere le categorie incoerenti

inconsistent_categories = set(study_data['blood_type']).difference(categories['blood_type'])
inconsistent_rows = study_data['blood_type'].isin(inconsistent_categories)
inconsistent_data = study_data[inconsistent_rows]

# Rimuovi le categorie incoerenti e tieni solo i dati coerenti
consistent_data = study_data[~inconsistent_rows]

      name   birthday blood_type
1     Beth 2019-10-20         B-
2 Ignatius 2020-07-08         A-
3     Paul 2019-08-12         O+
4    Helen 2019-03-17         O-
...    ...      ...          ...

Esercitiamoci!

Pulizia dei dati in Python