Opgeslagen mappings gebruiken

Je werkt met een subset van een gegevensset en je bent gevraagd visualisaties te maken die de output samenvatten. In de huidige staat zie je alleen maar nummers! Gelukkig had je eerder dictionaries opgeslagen (color_map, fuel_map en transmission_map) die deze kolommen terugzetten naar hun oorspronkelijke categorische namen. De gegevensset used_cars_updated is alvast ingeladen. Hieronder zie je een voorbeeldweergave. Bekijk de console om de kolomdatatypes te zien.

       engine_fuel  color  transmission  price_usd
0                3      8             0   10900.00
1                3      1             0    5000.00
2                3      7             0    2800.00

Deze oefening maakt deel uit van de cursus

Werken met categorische data in Python

Cursus bekijken

Oefeninstructies

Zet de kolom "color" terug naar de oorspronkelijke waarden met de dictionary color_map.
Zet de kolom "engine_fuel" terug naar de oorspronkelijke waarden met de dictionary fuel_map.
Zet de kolom "transmission" terug naar de oorspronkelijke waarden met de dictionary transmission_map.
Gebruik .info() op de gegevensset om te zien of de dtypes zijn veranderd.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Update the color column using the color_map
used_cars_updated["color"] = ____
# Update the engine fuel column using the fuel_map
used_cars_updated["engine_fuel"] = ____
# Update the transmission column using the transmission_map
used_cars_updated["transmission"] = ____

# Print the info statement
print(____)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Werken met categorische data in Python

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus 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: Course introduction Exercise 2: Categorical vs. numerical Exercise 3: Exploring a target variable Exercise 4: Ordinal categorical variables Exercise 5: Categorical data in pandas Exercise 6: Setting dtypes and saving memory Exercise 7: Creating a categorical pandas Series Exercise 8: Setting dtype when reading data Exercise 9: Grouping data by category in pandas Exercise 10: Create lots of groups Exercise 11: Setting up a .groupby() statement Exercise 12: Using pandas functions effectively

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: Valkuilen bij categorische data Exercise 2: Kennistoets geheugengebruik Exercise 3: Valkuilen overwinnen: stringproblemen Exercise 4: Valkuilen voorkomen: NumPy-arrays gebruiken Exercise 5: Label encoding Exercise 6: Maak een label-encoding en een map Exercise 7: Opgeslagen mappings gebruiken

Huidige oefening

Exercise 8: Een Booleaanse codering maken Exercise 9: One-hot encoding Exercise 10: One-hot kennistoets Exercise 11: One-hot encoden van specifieke kolommen Exercise 12: Afsluitende video