Membersihkan dan mengakses data
Bekerja dengan Data Kategorikal di Python
Kasey Jones
Research Data Scientist
Kemungkinan masalah pada data kategorikal
1) Nilai tidak konsisten: "Ham", "ham", " Ham"
2) Nilai salah eja: "Ham", "Hma"
3) dtype salah: df['Our Column'].dtype
dtype('O')
Mengidentifikasi masalah
Gunakan salah satu:
Series.cat.categoriesSeries.value_counts()
dogs["get_along_cats"].value_counts()
No 2503
yes 275
no 156
Noo 2
NO 1
Memperbaiki: spasi kosong
Hapus spasi: .strip()
dogs["get_along_cats"] = dogs["get_along_cats"].str.strip()
Periksa frekuensi:
dogs["get_along_cats"].value_counts()
No 2503
yes 275
no 156
Noo 2
NO 1 # < ---- tidak ada spasi lagi
Memperbaiki: kapitalisasi
Kapitalisasi: .title(), .upper(), .lower()
dogs["get_along_cats"] = dogs["get_along_cats"].str.title()
Periksa frekuensi:
dogs["get_along_cats"].value_counts()
No 2660
Yes 275
Noo 2
Memperbaiki: salah eja
Perbaiki typo dengan .replace()
replace_map = {"Noo": "No"}
dogs["get_along_cats"].replace(replace_map, inplace=True)
Periksa frekuensi:
dogs["get_along_cats"].value_counts()
No 2662
Yes 275
Memeriksa tipe data
Memeriksa dtype
dogs["get_along_cats"].dtype
dtype('O')
Mengonversi kembali ke category
dogs["get_along_cats"] = dogs["get_along_cats"].astype("category")
Menggunakan accessor str
Mencari string
dogs["breed"].str.contains("Shepherd", regex=False)
0 False
1 False
2 False
...
2935 False
2936 True
Mengakses data dengan loc
Akses nilai Series berdasarkan kategori
dogs.loc[dogs["get_along_cats"] == "Yes", "size"]
Hitung frekuensi Series:
dogs.loc[dogs["get_along_cats"] == "Yes", "size"].value_counts(sort=False)
small 69
medium 169
large 37
Latihan: bersihkan dan akses
Bekerja dengan Data Kategorikal di Python
