Categorische variabelen instellen

Werken met categorische data in Python

Kasey Jones

Research Data Scientist

Nieuwe dataset: adoptiehonden

dogs.info()

RangeIndex: 2937 entries, 0 to 2936, Data columns (total 19 columns):
 #   Column             Non-Null Count  Dtype  
 --  ------             --------------  -----  
 0   ID                 2937 non-null   int64  
 ...
 8   color              2937 non-null   object 
 9   coat               2937 non-null   object 
 ...
 17  get_along_cats     431 non-null    object 
 18  keep_in            1916 non-null   object 
dtypes: float64(1), int64(1), object(17)
memory usage: 436.1+ KB
...

¹ https://www.kaggle.com/jmolitoris/adoptable-dogs

De vacht van een hond

dogs["coat"] = dogs["coat"].astype("category")
dogs["coat"].value_counts(dropna=False)

short         1972
medium         565
wirehaired     220
long           180
Name: coat, dtype: int64

De .cat-accessor

Series.cat.method_name

Veelgebruikte parameters:

new_categories: een lijst met categorieën
inplace: Boolean — of de update de Series moet overschrijven
ordered: Boolean — of het als geordend categorisch wordt behandeld

Categorieën van een Series instellen

Categorieën instellen:

dogs["coat"] = dogs["coat"].cat.set_categories(
  new_categories=["short", "medium", "long"]
)

Waardeaantallen controleren:

dogs["coat"].value_counts(dropna=False)

short     1972
medium     565
NaN        220
long       180

Volgorde instellen

dogs["coat"] = dogs["coat"].cat.set_categories(
  new_categories=["short", "medium", "long"],
  ordered=True
)
dogs["coat"].head(3)

0     short
1     short
2     short
Name: coat, dtype: category
Categories (3, object): ['short' < 'medium' < 'long']

Ontbrekende categorieën

dogs["likes_people"].value_counts(dropna=False)

yes    1991
NaN     938
no        8

Een NaN kan betekenen:

Echt onbekend (niet gecontroleerd)
Niet zeker (hond houdt van “sommige” mensen)

Categorieën toevoegen

dogs["likes_people"] = dogs["likes_people"].astype("category")
dogs["likes_people"] = dogs["likes_people"].cat.add_categories(
  new_categories=["did not check", "could not tell"]
)

Categorieën controleren:

dogs["likes_people"].cat.categories

Index(['no', 'yes', 'did not check', 'could not tell'], dtype='object')

Nieuwe categorieën

dogs["likes_people"].value_counts(dropna=False)

yes               1991
NaN                938
no                   8
could not tell       0
did not check        0

Categorieën verwijderen

dogs["coat"] = dogs["coat"].astype("category")
dogs["coat"] = dogs["coat"].cat.remove_categories(removals=["wirehaired"])

Controleer de categorieën:

dogs["coat"].cat.categories

Index(['long', 'medium', 'short'], dtype='object')

Overzicht methoden

Instellen: cat.set_categories()
- Hiermee stel je de volgorde van categorieën in
- Alle waarden die niet zijn opgegeven, worden verwijderd
Toevoegen: cat.add_categories()
- Wijzigt geen waarden in de DataFrame
- Niet-genoemde categorieën blijven staan
Verwijderen: cat.remove_categories()
- Waarden in genoemde categorieën worden NaN

Oefenen met categorieën bijwerken

Werken met categorische data in Python