Kursintroduktion

Arbeta med kategoriska data i Python

Kasey Jones

Research Data Scientist

Vad innebär det att vara "kategorisk"?

Kategorisk

  • Begränsat antal grupper (eller kategorier)
  • Kategorierna är vanligtvis fasta eller kända (ögonfärg, hårfärg osv.)
  • Kallas även kvalitativa data

Numerisk

  • Kallas även kvantitativa data
  • Uttrycks som ett numeriskt värde
  • Är vanligtvis ett mått (längd, vikt, IQ osv.)
Arbeta med kategoriska data i Python

Ordinala vs. nominella variabler

Ordinal

  • Kategoriska variabler med en naturlig ordning

Enkätsvar sträcker sig ofta från instämmer inte alls till instämmer helt. Dessa kategorier har en logisk ordning.

Nominell

  • Kategoriska variabler som inte kan placeras i en naturlig ordning

Ibland saknar kategorier en logisk ordning, till exempel när man väljer en färg från en lista ("Blå", "Grön", "Röd", "Gul", "Lila").

Arbeta med kategoriska data i Python

Vår första datamängd

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
Arbeta med kategoriska data i Python

Använda describe

adult["Marital Status"].describe()

count                   32561
unique                      7
top        Married-civ-spouse
freq                    14976
Name: Marital Status, dtype: object
Arbeta med kategoriska data i Python

Använda 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
Arbeta med kategoriska data i Python

Använda value_counts med 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
Arbeta med kategoriska data i Python

Kunskapskontroll

Arbeta med kategoriska data i Python

Preparing Video For Download...