Úvod do kurzu

Working with Categorical Data in Python

Kasey Jones

Research Data Scientist

Co znamená „kategorická" proměnná?

Kategorická

  • Konečný počet skupin (nebo kategorií)
  • Kategorie jsou obvykle pevně dané nebo předem známé (barva očí, vlasů atd.)
  • Označována jako kvalitativní data

Numerická

  • Označována jako kvantitativní data
  • Vyjádřena číselnou hodnotou
  • Obvykle jde o měření (výška, váha, IQ atd.)
Working with Categorical Data in Python

Ordinální vs. nominální proměnné

Ordinální

  • Kategorické proměnné s přirozeným pořadím

Odpovědi v průzkumech se často pohybují od „zcela nesouhlasím" po „zcela souhlasím". Tyto kategorie mají logické pořadí.

Nominální

  • Kategorické proměnné bez přirozeného pořadí

Některé kategorie, například výběr barvy ze seznamu ("Blue", "Green", "Red", "Yellow", "purple"), nemají logické pořadí.

Working with Categorical Data in Python

Náš první datový soubor

adult.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 32561 entries, 0 to 32560
Data columns (total 15 columns):
 #   Column           Non-Null Count  Dtype 
 --  ------           --------------  ----- 
 0   Age              32561 non-null  int64 
 1   Workclass        32561 non-null  object
 2   fnlgwt           32561 non-null  int64 
 3   Education        32561 non-null  object
 4   Education Num    32561 non-null  int64 
 5   Marital Status   32561 non-null  object
...
1 https://www.kaggle.com/uciml/adult-census-income
Working with Categorical Data in Python

Použití describe

adult["Marital Status"].describe()

count                   32561
unique                      7
top        Married-civ-spouse
freq                    14976
Name: Marital Status, dtype: object
Working with Categorical Data in Python

Použití value_counts

adult["Marital Status"].value_counts()

 Married-civ-spouse       14976
 Never-married            10683
 Divorced                  4443
 Separated                 1025
 Widowed                    993
 Married-spouse-absent      418
 Married-AF-spouse           23
Name: Marital Status, dtype: int64
Working with Categorical Data in Python

Použití value_counts s normalize

adult["Marital Status"].value_counts(normalize=True)

 Married-civ-spouse       0.459937
 Never-married            0.328092
 Divorced                 0.136452
 Separated                0.031479
 Widowed                  0.030497
 Married-spouse-absent    0.012837
 Married-AF-spouse        0.000706
Name: Marital Status, dtype: float64
Working with Categorical Data in Python

Ověření znalostí

Working with Categorical Data in Python

Preparing Video For Download...