Zacznij terazZacznij za darmo

Strona główna
Kursy
Praca z danymi kategorycznymi w Pythonie

Kodowanie etykiet

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

To ćwiczenie jest częścią kursu

Praca z danymi kategorycznymi w Pythonie

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

Niemal każdy zbiór danych zawiera informacje kategoryczne – i często stanowią one niewykorzystane źródło cennych spostrzeżeń. W tym rozdziale dowiesz się, jak pandas obsługuje kolumny kategoryczne przy użyciu typu danych category. Poznasz też sposoby grupowania danych według kategorii, by wydobyć użyteczne statystyki podsumowujące.

Exercise 1: Wprowadzenie do kursu Exercise 2: Dane kategoryczne a numeryczne Exercise 3: Eksploracja zmiennej docelowej Exercise 4: Porządkowe zmienne kategoryczne Exercise 5: Dane kategoryczne w pandas Exercise 6: Ustawianie typów danych i oszczędzanie pamięci Exercise 7: Tworzenie kategorycznej serii pandas Exercise 8: Ustawianie dtype podczas wczytywania danych Exercise 9: Grupowanie danych według kategorii w pandas Exercise 10: Tworzenie wielu grup Exercise 11: Tworzenie instrukcji .groupby()Exercise 12: Efektywne korzystanie z funkcji pandas

Czas nauczyć się, jak ustawiać, dodawać i usuwać kategorie z serii. Poznasz również sposoby aktualizowania, zmieniania nazw, łączenia i porządkowania kategorii, a następnie zastosujesz nowe umiejętności do czyszczenia danych i uzyskiwania do nich dostępu w ramach DataFrame.

Exercise 1: Ustawianie zmiennych kategorycznych Exercise 2: Ustawianie kategorii Exercise 3: Dodawanie kategorii Exercise 4: Usuwanie kategorii Exercise 5: Aktualizowanie kategorii Exercise 6: Sprawdź wiedzę: łączenie kategorii Exercise 7: Zmiana nazw kategorii Exercise 8: Łączenie kategorii Exercise 9: Zmiana kolejności kategorii Exercise 10: Zmiana kolejności kategorii w serii Exercise 11: Używanie .groupby() po zmianie kolejności kategorii Exercise 12: Czyszczenie danych i dostęp do nich Exercise 13: Czyszczenie zmiennych Exercise 14: Dostęp do danych i ich filtrowanie

W tym rozdziale skorzystasz z biblioteki seaborn, aby tworzyć przejrzyste wizualizacje danych kategorycznych – w tym wykresy kategoryczne (catplot), wykresy pudełkowe, słupkowe, punktowe i zliczające. Nauczysz się też wizualizować kolumny kategoryczne i dzielić dane według kategorii, aby przedstawiać statystyki podsumowujące dla kolumn numerycznych.

Exercise 1: Wprowadzenie do wykresów kategorycznych w Seaborn Exercise 2: Rozumienie wykresów pudełkowych Exercise 3: Tworzenie wykresu pudełkowego Exercise 4: Wykresy słupkowe w Seaborn Exercise 5: Tworzenie wykresu słupkowego Exercise 6: Porządkowanie kategorii Exercise 7: Wykres słupkowy z parametrem hue Exercise 8: Wykresy punktowe i wykresy liczności Exercise 9: Tworzenie wykresu punktowego Exercise 10: Tworzenie wykresu zliczania Exercise 11: Przegląd typów catplot()Exercise 12: Dodatkowe opcje catplot()Exercise 13: Jedna wizualizacja na grupę Exercise 14: Aktualizowanie wykresów kategorycznych

Na koniec dowiesz się, jak unikać typowych pułapek związanych z danymi kategorycznymi. Rozwiniesz też umiejętności kodowania danych – poznasz kodowanie etykietowe i kodowanie one-hot, które świetnie przygotują twoje dane do użycia w algorytmach uczenia maszynowego.

Exercise 1: Pułapki danych kategorycznych Exercise 2: Sprawdź wiedzę o zużyciu pamięci Exercise 3: Przezwyciężanie pułapek: problemy z tekstem Exercise 4: Przezwyciężanie pułapek: używanie tablic NumPy Exercise 5: Kodowanie etykiet

Bieżące ćwiczenie

Exercise 6: Tworzenie kodowania etykiet i mapy Exercise 7: Używanie zapisanych mapowań Exercise 8: Tworzenie kodowania boolowskiego Exercise 9: Kodowanie one-hot Exercise 10: Sprawdzenie wiedzy o kodowaniu one-hot Exercise 11: One-hot encoding wybranych kolumn Exercise 12: Podsumowanie kursu