Een count plot maken

Voor snelle analyses van frequentietellingen heb je .value_counts() gebruikt. Dat is een prima manier om de tellingen te zien en een beeld te krijgen van welke categorieën er in de data zitten. Maar het doorsturen van frequentietabellen naar klanten of collega’s is niet altijd de beste keuze. In deze oefening visualiseer je het aantal reviews per "Score". Hoewel "Score" eerder als numerieke variabele is gebruikt, kun je het ook als categorische variabele behandelen omdat het vijf unieke waarden heeft die van slecht naar goed geordend zijn. De reviews-gegevensset is alvast ingeladen.

Deze oefening maakt deel uit van de cursus

Werken met categorische data in Python

Cursus bekijken

Oefeninstructies

Gebruik de functie catplot() om frequenties als tellingen te tonen met de reviews-gegevensset.
Tel de frequenties voor de variabele "Score" op de x-as.
Kleur bij het tellen van de frequenties de balken met de kolom "Traveler type".

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

sns.set(font_scale=1.4)
sns.set_style("darkgrid")

# Create a catplot that will count the frequency of "Score" across "Traveler type"
sns.catplot(
  ____
)
plt.show()

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: Introductie tot categorische plots met Seaborn Exercise 2: Boxplot begrijpen Exercise 3: Een boxplot maken Exercise 4: Seaborn-staafdiagrammen Exercise 5: Een staafdiagram maken Exercise 6: Categorieën ordenen Exercise 7: Staafdiagram met hue Exercise 8: Point- en countplots Exercise 9: Een point plot maken Exercise 10: Een count plot maken

Huidige oefening

Exercise 11: Overzicht van catplot()-typen Exercise 12: Extra opties voor catplot()Exercise 13: Eén visualisatie per groep Exercise 14: Categorische plots bijwerken

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