Čištění a přístup k datům
Working with Categorical Data in Python
Kasey Jones
Research Data Scientist
Možné problémy s kategorickými daty
1) Nekonzistentní hodnoty: "Ham", "ham", " Ham"
2) Překlepy: "Ham", "Hma"
3) Chybný dtype: df['Our Column'].dtype
dtype('O')
Identifikace problémů
Použijte:
Series.cat.categoriesSeries.value_counts()
dogs["get_along_cats"].value_counts()
No 2503
yes 275
no 156
Noo 2
NO 1
Oprava problémů: mezery
Odebrání mezer: .strip()
dogs["get_along_cats"] = dogs["get_along_cats"].str.strip()
Kontrola četností:
dogs["get_along_cats"].value_counts()
No 2503
yes 275
no 156
Noo 2
NO 1 # < ---- no more whitespace
Oprava problémů: velikost písmen
Velikost písmen: .title(), .upper(), .lower()
dogs["get_along_cats"] = dogs["get_along_cats"].str.title()
Kontrola četností:
dogs["get_along_cats"].value_counts()
No 2660
Yes 275
Noo 2
Oprava problémů: překlepy
Oprava překlepu pomocí .replace()
replace_map = {"Noo": "No"}
dogs["get_along_cats"].replace(replace_map, inplace=True)
Kontrola četností:
dogs["get_along_cats"].value_counts()
No 2662
Yes 275
Kontrola datového typu
Kontrola dtype
dogs["get_along_cats"].dtype
dtype('O')
Převod zpět na kategorii
dogs["get_along_cats"] = dogs["get_along_cats"].astype("category")
Použití přístupového objektu str
Vyhledání řetězce
dogs["breed"].str.contains("Shepherd", regex=False)
0 False
1 False
2 False
...
2935 False
2936 True
Přístup k datům pomocí loc
Přístup k hodnotám Series podle kategorie
dogs.loc[dogs["get_along_cats"] == "Yes", "size"]
Počty výskytů hodnot v Series:
dogs.loc[dogs["get_along_cats"] == "Yes", "size"].value_counts(sort=False)
small 69
medium 169
large 37
Procvičení čištění a přístupu k datům
Working with Categorical Data in Python
