Lidmaatschapsbeperkingen

Data opschonen in Python

Adel Nehme

Content Developer @DataCamp

Hoofdstuk 2 - Problemen met tekst- en categorische data

Categorieën en lidmaatschapsbeperkingen

Vooraf gedefinieerde eindige set categorieën

Type data	Voorbeeldwaarden	Numerieke weergave
Huwelijkse staat	`unmarried`, `married`	`0`,`1`
Inkomensklasse huishouden	`0-20K`, `20-40K`, ...	`0`,`1`, ..
Leningsstatus	`default`,`payed`,`no_loan`	`0`,`1`,`2`

Huwelijkse staat kan alleen unmarried _of_ married zijn

Waarom kunnen deze problemen optreden?

categorical_issues

Hoe pak je deze problemen aan?

Een voorbeeld

# Lees studiedata en print
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+

# Juiste mogelijke bloedgroepen
categories

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

Een voorbeeld

# Lees studiedata en print
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+

# Juiste mogelijke bloedgroepen
categories

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

Een opmerking over joins

Een left anti join op bloedgroepen

Een inner join op bloedgroepen

Inconsistente categorieën vinden

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

{'Z+'}

# Haal rijen met inconsistente categorieën op en print
inconsistent_rows = study_data['blood_type'].isin(inconsistent_categories)

study_data[inconsistent_rows]

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

Inconsistente categorieën verwijderen

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]

# Verwijder inconsistente categorieën en houd alleen consistente data
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-
...    ...      ...          ...

Laten we oefenen!

Data opschonen in Python