Data opschonen en benaderen
Werken met categorische data in Python
Kasey Jones
Research Data Scientist
Mogelijke problemen met categorische data
1) Inconsistente waarden: "Ham", "ham", " Ham"
2) Spelfouten: "Ham", "Hma"
3) Verkeerde dtype: df['Our Column'].dtype
dtype('O')
Problemen opsporen
Gebruik één van:
Series.cat.categoriesSeries.value_counts()
dogs["get_along_cats"].value_counts()
No 2503
yes 275
no 156
Noo 2
NO 1
Problemen oplossen: witruimte
Spaties verwijderen: .strip()
dogs["get_along_cats"] = dogs["get_along_cats"].str.strip()
Controleer de frequenties:
dogs["get_along_cats"].value_counts()
No 2503
yes 275
no 156
Noo 2
NO 1 # < ---- geen spaties meer
Problemen oplossen: hoofdletters
Hoofdletters/kleine letters: .title(), .upper(), .lower()
dogs["get_along_cats"] = dogs["get_along_cats"].str.title()
Controleer de frequenties:
dogs["get_along_cats"].value_counts()
No 2660
Yes 275
Noo 2
Problemen oplossen: spelfouten
Typfout herstellen met .replace()
replace_map = {"Noo": "No"}
dogs["get_along_cats"].replace(replace_map, inplace=True)
Controleer de frequenties:
dogs["get_along_cats"].value_counts()
No 2662
Yes 275
Het gegevenstype controleren
dtype controleren
dogs["get_along_cats"].dtype
dtype('O')
Terugzetten naar categorie
dogs["get_along_cats"] = dogs["get_along_cats"].astype("category")
De str-accessor gebruiken
Zoeken naar een string
dogs["breed"].str.contains("Shepherd", regex=False)
0 False
1 False
2 False
...
2935 False
2936 True
Data benaderen met loc
Series-waarden op basis van categorie opvragen
dogs.loc[dogs["get_along_cats"] == "Yes", "size"]
Aantal waarden in Series:
dogs.loc[dogs["get_along_cats"] == "Yes", "size"].value_counts(sort=False)
small 69
medium 169
large 37
Oefenen met schoonmaken en benaderen
Werken met categorische data in Python
