Fallgropar med kategorier

Arbeta med kategoriska data i Python

Kasey Jones

Research Data Scientist

Begagnade bilar: den slutliga datamängden

import pandas as pd

used_cars = pd.read_csv("used_cars.csv")
used_cars.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 38531 entries, 0 to 38530
Data columns (total 30 columns):
 #   Column             Non-Null Count  Dtype  
 --  ------             --------------  -----  
 0   manufacturer_name  38531 non-null  object 
 1   model_name         38531 non-null  object 
 2   transmission       38531 non-null  object  
...
Arbeta med kategoriska data i Python

Stora minnesbesparingar

used_cars['manufacturer_name'].describe()
count          38531
unique            55
top       Volkswagen
freq            4243
Name: manufacturer_name, dtype: object
print("As object: ", used_cars['manufacturer_name'].nbytes)
print("As category: ", used_cars['manufacturer_name'].astype('category').nbytes)
As object: 308248
As category: 38971
1 https://pandas.pydata.org/pandas-docs/stable/user_guide/categorical.html
Arbeta med kategoriska data i Python

Små minnesbesparingar

used_cars['odometer_value'].astype('object').describe()
count      38531
unique      6063
top       300000
freq        1794
Name: odometer_value, dtype: int64
print(f"As float: {used_cars['odometer_value'].nbytes}")
print(f"As category: {used_cars['odometer_value'].astype('category').nbytes}")
As float: 308248
As category: 125566
Arbeta med kategoriska data i Python

Kategorier kan vara besvärliga

  • .str-accessorn konverterar en Series till object vid datamanipulering.
  • Metoden .apply() returnerar en ny Series som object.
  • De vanliga metoderna för att lägga till, ta bort, ersätta eller ange kategorier hanterar saknade kategorier på olika sätt.
  • NumPy-funktioner fungerar generellt inte med kategoriska Series.
Arbeta med kategoriska data i Python

Kontrollera och konvertera

Kontrollera

used_cars["color"] = used_cars["color"].astype("category")
used_cars["color"] = used_cars["color"].str.upper()
print(used_cars["color"].dtype)
object

Konvertera

used_cars["color"] = used_cars["color"].astype("category")
print(used_cars["color"].dtype)
category
Arbeta med kategoriska data i Python

Leta efter saknade värden

Ange kategorier

used_cars["color"] = used_cars["color"].astype("category")
used_cars["color"].cat.set_categories(["black", "silver", "blue"], inplace=True)

used_cars["color"].value_counts(dropna=False)
NaN       18172
black      7705
silver     6852
blue       5802
Name: color, dtype: int64
Arbeta med kategoriska data i Python

Använda NumPy-arrayer

used_cars['number_of_photos'] = used_cars['number_of_photos'].astype("category")
used_cars['number_of_photos'].sum()  # <--- Gives an Error
TypeError: Categorical cannot perform the operation sum
used_cars['number_of_photos'].astype(int).sum()

Obs:

# .str converts the column to an array
used_cars["color"].str.contains("red")
0        False
1        False
...
Arbeta med kategoriska data i Python

Nu kör vi en övning!

Arbeta med kategoriska data i Python

Preparing Video For Download...