メンバーシップ制約

Pythonで学ぶデータクリーニング

Adel Nehme

Content Developer @DataCamp

第2章 - 文字列とカテゴリデータの問題

カテゴリとメンバーシップ制約

あらかじめ定義された有限のカテゴリ集合

データ型	例	数値表現
婚姻状況	`unmarried`, `married`	`0`,`1`
世帯収入区分	`0-20K`, `20-40K`, ...	`0`,`1`, ..
返済状況	`default`,`payed`,`no_loan`	`0`,`1`,`2`

婚姻状況は unmarried _か_ married _のみ_

なぜこうした問題が起きるのか？

categorical_issues

どう対処するか？

例

# 調査データを読み込んで表示
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+

# 正しい血液型の一覧
categories

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

例

# 調査データを読み込んで表示
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+

# 正しい血液型の一覧
categories

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

結合に関する注意

血液型での左アンチ結合

血液型での内部結合

不整合なカテゴリの検出

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

{'Z+'}

# 不整合なカテゴリの行を取得して表示
inconsistent_rows = study_data['blood_type'].isin(inconsistent_categories)

study_data[inconsistent_rows]

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

不整合カテゴリの除外

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]

# 不整合カテゴリを除外し、整合データのみ取得
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-
...    ...      ...          ...

練習しましょう！

Pythonで学ぶデータクリーニング