课程简介

在 Python 中处理分类数据

Kasey Jones

Research Data Scientist

"分类"的含义是什么？

【分类变量】

  • 有限个组（类别）
  • 类别通常是固定或已知的（眼睛颜色、头发颜色等）
  • 又称定性数据

【数值变量】

  • 又称定量数据
  • 用数值表示
  • 通常是度量（身高、体重、IQ 等）
在 Python 中处理分类数据

有序型 vs. 名义型变量

有序型

  • 具有自然顺序的分类变量

调查回答常从"强烈不同意"到"强烈同意"。这些类别有逻辑顺序。

名义型

  • 无法按自然顺序排列的分类变量

有些类别（如从列表中选择颜色："蓝""绿""红""黄""紫"）没有逻辑顺序。

在 Python 中处理分类数据

我们的第一个数据集

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
在 Python 中处理分类数据

使用 describe

adult["Marital Status"].describe()

count                   32561
unique                      7
top        Married-civ-spouse
freq                    14976
Name: Marital Status, dtype: object
在 Python 中处理分类数据

使用 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
在 Python 中处理分类数据

使用带 normalize 的 value_counts

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
在 Python 中处理分类数据

知识检测

在 Python 中处理分类数据

Preparing Video For Download...