Variabel kategorikal

Membersihkan Data di Python

Adel Nehme

Content Developer @DataCamp

Jenis kesalahan apa yang mungkin ada?

I) Ketidakkonsistenan nilai

Bidang tidak konsisten: 'married', 'Maried', 'UNMARRIED', 'not married'..
Spasi di akhir: 'married ', ' married '..

II) Menggabungkan banyak kategori jadi sedikit

Membuat grup baru: kategori 0-20K, 20-40K ... dari data pendapatan rumah tangga kontinu
Memetakan grup ke yang baru: memetakan kategori pendapatan rumah tangga menjadi 2 'rich', 'poor'

III) Pastikan tipe data adalah category (dibahas di Bab 1)

Konsistensi nilai

Kapitalisasi: 'married', 'Married', 'UNMARRIED', 'unmarried'..

# Ambil kolom status pernikahan
marriage_status = demographics['marriage_status']
marriage_status.value_counts()

unmarried    352
married      268
MARRIED      204
UNMARRIED    176
dtype: int64

Konsistensi nilai

# Dapatkan jumlah nilai pada DataFrame
marriage_status.groupby('marriage_status').count()

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

Konsistensi nilai

# Ubah ke huruf besar

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

UNMARRIED    528
MARRIED      472

# Ubah ke huruf kecil

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

unmarried    528
married      472

Konsistensi nilai

Spasi di tepi: 'married ', 'married', 'unmarried', ' unmarried'..

# Ambil kolom status pernikahan
marriage_status = demographics['marriage_status']
marriage_status.value_counts()

 unmarried   352
unmarried    268
married      204
married      176
dtype: int64

Konsistensi nilai

# Hapus semua spasi
demographics = demographics['marriage_status'].str.strip()
demographics['marriage_status'].value_counts()

unmarried    528
married      472

Mengelompokkan data jadi kategori

Buat kategori dari data: kolom income_group dari kolom income.

# Menggunakan 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)
# Cetak kolom income_group
demographics[['income_group', 'household_income']]

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

Mengelompokkan data jadi kategori

Buat kategori dari data: kolom income_group dari kolom income.

# Menggunakan cut() - buat rentang dan nama kategori
ranges = [0,200000,500000,np.inf]
group_names = ['0-200K', '200K-500K', '500K+']
# Buat kolom kelompok pendapatan
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

Mengelompokkan data jadi kategori

Peta kategori ke yang lebih sedikit: mengurangi jumlah kategori pada kolom kategorikal.

Kolom operating_system: 'Microsoft', 'MacOS', 'IOS', 'Android', 'Linux'

Kolom operating_system menjadi: 'DesktopOS', 'MobileOS'

# Buat kamus pemetaan dan ganti
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)

Ayo berlatih!

Membersihkan Data di Python