Kom igångKom igång gratis

Mappa om kategorier

För att bättre förstå enkätrespondenter från airlines vill du undersöka om det finns ett samband mellan vissa svar och veckodag samt väntetid vid gaten.

DataFrame:en airlines innehåller kolumnerna day och wait_min, som är kategoriska respektive numeriska. Kolumnen day innehåller den exakta dagen för varje flygning, och wait_min innehåller hur många minuter resenärerna väntade vid gaten. För att förenkla analysen vill du skapa två nya kategoriska variabler:

  • wait_type: 'short' för 0–60 min, 'medium' för 60–180 och long för 180+
  • day_week: 'weekday' om dagen är en vardag, 'weekend' om dagen är en helgdag.

Paketen pandas och numpy har importerats som pd respektive np. Nu skapar vi några nya kategoriska data!

Den här övningen är en del av kursen

Datarensning i Python

Visa kurs

Övningsinstruktioner

  • Skapa intervallen och etiketterna för kolumnen wait_type enligt beskrivningen.
  • Skapa kolumnen wait_type från wait_min med hjälp av pd.cut(), och ange label_ranges och label_names i rätt argument.
  • Skapa ordboken mapping som mappar vardagar till 'weekday' och helgdagar till 'weekend'.
  • Skapa kolumnen day_week med hjälp av .replace().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create ranges for categories
label_ranges = [0, 60, ____, np.inf]
label_names = ['short', ____, ____]

# Create wait_type column
airlines['wait_type'] = pd.____(____, bins = ____, 
                                labels = ____)

# Create mappings and replace
mappings = {'Monday':'weekday', 'Tuesday':'____', 'Wednesday': '____', 
            'Thursday': '____', '____': '____', 
            'Saturday': 'weekend', '____': '____'}

airlines['day_week'] = airlines['day'].____(mappings)
Redigera och kör kod