Категоріальні змінні

Очищення даних у Python

Adel Nehme

Content Developer @DataCamp

Які помилки можуть траплятися?

I) Невідповідність значень

Непослідовні записи: 'married', 'Maried', 'UNMARRIED', 'not married'..
Пробіли на кінці: 'married ', ' married '..

II) Зведення надто багатьох категорій до небагатьох

Створення нових груп: категорії 0-20K, 20-40K ... з безперервних даних про дохід домогосподарства
Відображення груп у нові: перетворення категорій доходу домогосподарств на 2 — 'rich', 'poor'

III) Переконайтеся, що дані типу category (див. розділ 1)

Узгодженість значень

Регістр літер: 'married', 'Married', 'UNMARRIED', 'unmarried'..

# Отримати стовпець зі шлюбним статусом
marriage_status = demographics['marriage_status']
marriage_status.value_counts()

unmarried    352
married      268
MARRIED      204
UNMARRIED    176
dtype: int64

Узгодженість значень

# Підрахунок значень у DataFrame
marriage_status.groupby('marriage_status').count()

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

Узгодженість значень

# Перетворити на верхній регістр

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

UNMARRIED    528
MARRIED      472

# Перетворити на нижній регістр

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

unmarried    528
married      472

Узгодженість значень

Пробіли на краях: 'married ', 'married', 'unmarried', ' unmarried'..

# Отримати стовпець зі шлюбним статусом
marriage_status = demographics['marriage_status']
marriage_status.value_counts()

 unmarried   352
unmarried    268
married      204
married      176
dtype: int64

Узгодженість значень

# Прибрати всі пробіли
demographics = demographics['marriage_status'].str.strip()
demographics['marriage_status'].value_counts()

unmarried    528
married      472

Зведення даних у категорії

Створення категорій з даних: стовпець income_group з income.

# Використання 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)
# Вивести стовпець income_group
demographics[['income_group', 'household_income']]

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

Зведення даних у категорії

Створення категорій з даних: стовпець income_group з income.

# Використання cut() — створити діапазони та назви категорій
ranges = [0,200000,500000,np.inf]
group_names = ['0-200K', '200K-500K', '500K+']
# Створити стовпець групи доходу
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

Зведення даних у категорії

_Зменшити кількість категорій через відображення: скорочення категорій у категоріальному стовпці.

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

Стовпець operating_system має стати: 'DesktopOS', 'MobileOS'

# Створити словник відображення та замінити
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)

Давайте потренуємось!

Очищення даних у Python