Curățarea și accesarea datelor
Lucrul cu date categoriale în Python
Kasey Jones
Research Data Scientist
Probleme posibile cu datele categoriale
1) Valori inconsistente: "Ham", "ham", " Ham"
2) Valori greșit scrise: "Ham", "Hma"
3) dtype incorect: df['Our Column'].dtype
dtype('O')
Identificarea problemelor
Utilizați una dintre:
Series.cat.categoriesSeries.value_counts()
dogs["get_along_cats"].value_counts()
No 2503
yes 275
no 156
Noo 2
NO 1
Corectarea problemelor: spații
Eliminarea spațiilor: .strip()
dogs["get_along_cats"] = dogs["get_along_cats"].str.strip()
Verificarea frecvențelor:
dogs["get_along_cats"].value_counts()
No 2503
yes 275
no 156
Noo 2
NO 1 # < ---- no more whitespace
Corectarea problemelor: majuscule
Majuscule: .title(), .upper(), .lower()
dogs["get_along_cats"] = dogs["get_along_cats"].str.title()
Verificarea frecvențelor:
dogs["get_along_cats"].value_counts()
No 2660
Yes 275
Noo 2
Corectarea problemelor: cuvinte greșit scrise
Corectarea unei greșeli cu .replace()
replace_map = {"Noo": "No"}
dogs["get_along_cats"].replace(replace_map, inplace=True)
Verificarea frecvențelor:
dogs["get_along_cats"].value_counts()
No 2662
Yes 275
Verificarea tipului de date
Verificarea dtype
dogs["get_along_cats"].dtype
dtype('O')
Convertire înapoi la categorie
dogs["get_along_cats"] = dogs["get_along_cats"].astype("category")
Utilizarea obiectului accessor str
Căutarea unui șir de caractere
dogs["breed"].str.contains("Shepherd", regex=False)
0 False
1 False
2 False
...
2935 False
2936 True
Accesarea datelor cu loc
Accesarea valorilor din Series după categorie
dogs.loc[dogs["get_along_cats"] == "Yes", "size"]
Nr. de apariții în Series:
dogs.loc[dogs["get_along_cats"] == "Yes", "size"].value_counts(sort=False)
small 69
medium 169
large 37
Exersați curățarea și accesarea
Lucrul cu date categoriale în Python
