Creare una Series categorica di pandas

Un'altra collega al lavoro ha raccolto informazioni sul numero di medaglie "Gold", "Silver" e "Bronze" vinte dagli USA alle Olimpiadi estive e invernali dal 1896. Ti ha fornito questi dati come lista, medals_won. Prima di esaminare il totale di ciascun tipo di medaglia vinta, vuoi creare una Series categorica di pandas. Tuttavia, sai che queste medaglie hanno un ordine preciso: l’oro è meglio dell’argento e l’argento è meglio del bronzo. Usa l’oggetto medals_won per procedere.

Questo esercizio fa parte del corso

Lavorare con i dati categorici in Python

Visualizza il corso

Istruzioni dell'esercizio

Crea una Series categorica di pandas senza usare pd.Series().
Specifica le tre categorie di medaglie in modo che "Bronze" < "Silver" < "Gold".
Indica che l’ordine delle categorie è importante quando crei questa Series.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Create a categorical Series and specify the categories (let pandas know the order matters!)
medals = pd.____(____)
print(medals)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Lavorare con i dati categorici in Python

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

Almost every dataset contains categorical information—and often it’s an unexplored goldmine of information. In this chapter, you’ll learn how pandas handles categorical columns using the data type category. You’ll also discover how to group data by categories to unearth great summary statistics.

Exercise 1: Introduzione al corso Exercise 2: Categoriche vs. numeriche Exercise 3: Esplorare una variabile target Exercise 4: Variabili categoriali ordinali Exercise 5: Dati categorici in pandas Exercise 6: Impostare i dtypes e risparmiare memoria Exercise 7: Creare una Series categorica di pandas

Esercizio in corso

Exercise 8: Impostare dtype durante la lettura dei dati Exercise 9: Raggruppare i dati per categoria in pandas Exercise 10: Crea tanti gruppi Exercise 11: Impostare un'istruzione .groupby()Exercise 12: Usare al meglio le funzioni di pandas

Now it’s time to learn how to set, add, and remove categories from a Series. You’ll also explore how to update, rename, collapse, and reorder categories, before applying your new skills to clean and access other data within your DataFrame.

Exercise 1: Setting category variables Exercise 2: Setting categories Exercise 3: Adding categories Exercise 4: Removing categories Exercise 5: Updating categories Exercise 6: Collapsing categories knowledge check Exercise 7: Renaming categories Exercise 8: Collapsing categories Exercise 9: Reordering categories Exercise 10: Reordering categories in a Series Exercise 11: Using .groupby() after reordering Exercise 12: Cleaning and accessing data Exercise 13: Cleaning variables Exercise 14: Accessing and filtering data

In this chapter, you’ll use the seaborn Python library to create informative visualizations using categorical data—including categorical plots (cat-plot), box plots, bar plots, point plots, and count plots. You’ll then learn how to visualize categorical columns and split data across categorical columns to visualize summary statistics of numerical columns.

Exercise 1: Introduction to categorical plots using Seaborn Exercise 2: Boxplot understanding Exercise 3: Creating a box plot Exercise 4: Seaborn bar plots Exercise 5: Creating a bar plot Exercise 6: Ordering categories Exercise 7: Bar plot using hue Exercise 8: Point and count plots Exercise 9: Creating a point plot Exercise 10: Creating a count plot Exercise 11: Review catplot() types Exercise 12: Additional catplot() options Exercise 13: One visualization per group Exercise 14: Updating categorical plots

Lastly, you’ll learn how to overcome the common pitfalls of using categorical data. You’ll also grow your data encoding skills as you are introduced to label encoding and one-hot encoding—perfect for helping you prepare your data for use in machine learning algorithms.

Exercise 1: Categorical pitfalls Exercise 2: Memory usage knowledge check Exercise 3: Overcoming pitfalls: string issues Exercise 4: Overcoming pitfalls: using NumPy arrays Exercise 5: Label encoding Exercise 6: Create a label encoding and map Exercise 7: Using saved mappings Exercise 8: Creating a Boolean encoding Exercise 9: One-hot encoding Exercise 10: One-hot knowledge check Exercise 11: One-hot encoding specific columns Exercise 12: Wrap-up video