Nästan alla datamängder innehåller kategorisk information – och ofta är det en outnyttjad källa till värdefulla insikter. I det här kapitlet lär du dig hur pandas hanterar kategoriska kolumner med datatypen category. Du upptäcker också hur du grupperar data efter kategorier för att ta fram användbara sammanfattande statistikvärden.

Kursintroduktion

Kategorisk vs. numerisk

Utforska en målvariabel

Ordinala kategoriska variabler

Kategoriska data i pandas

Ange dtypes och spara minne

Skapa en kategorisk pandas-serie

Ange dtype vid inläsning av data

Gruppera data efter kategori i pandas

Skapa många grupper

Sätta upp en .groupby()-sats

Använda pandas-funktioner på ett effektivt sätt

Introduktion till kategoriska data

Nu är det dags att lära dig hur du ställer in, lägger till och tar bort kategorier i en serie. Du utforskar också hur du uppdaterar, byter namn på, slår samman och ordnar om kategorier – och tillämpar sedan dina nya kunskaper för att rensa och komma åt andra data i din DataFrame.

Ange kategorivariabler

Ställa in kategorier

Lägga till kategorier

Ta bort kategorier

Uppdatera kategorier

Kunskapskontroll: slå ihop kategorier

Byta namn på kategorier

Slå ihop kategorier

Omordning av kategorier

Sortera om kategorier i en Series

Använda .groupby() efter omsortering

Rensa och hämta data

Rensa variabler

Åtkomst och filtrering av data

Kategoriska pandas-serier

I det här kapitlet använder du Python-biblioteket seaborn för att skapa informativa visualiseringar av kategoriska data – bland annat kategoriplott (cat-plot), lådagram, stapeldiagram, punktplott och räkneplott. Du lär dig också att visualisera kategoriska kolumner och dela upp data efter kategoriska kolumner för att visualisera sammanfattande statistik för numeriska kolumner.

Introduktion till kategoriplott med Seaborn

Förstå lådagram

Skapa ett lådagram

Stapeldiagram i Seaborn

Skapa ett stapeldiagram

Sortera kategorier

Stapeldiagram med hue

Punkt- och räknediagram

Skapa ett punktdiagram

Skapa ett frekvensdiagram

Data Science Process

Repetera catplot()-typer

Fler alternativ för catplot()

En visualisering per grupp

Uppdatera kategoriplott

Visualisering av kategoriska data

Avslutningsvis lär du dig hur du undviker vanliga fallgropar när du arbetar med kategoriska data. Du bygger också ut dina kunskaper om datakodning när du introduceras till etikettskodning och one-hot-kodning – två metoder som är mycket användbara när du förbereder data för maskininlärningsalgoritmer.

Fallgropar med kategorisk data

Kunskapskontroll: minnesanvändning

Undvik fallgropar: strängproblem

Undvika fallgropar: använda NumPy-arrayer

Labelkodning

Skapa en labelkodning och en mappning

Använda sparade mappningar

Skapa en boolesk kodning

One-hot-kodning

Kunskapskontroll: one-hot-kodning

One-hot-kodning av specifika kolumner

Avslutande video

Fallgropar och kodning

Adult Census Income

Used Cars

Tripadvisor Reviews

Adoptable Dogs

Att förstå, använda och sammanfatta icke-numerisk data – som en persons blodgrupp eller civilstånd – är en viktig del av datavetenskapen. I den här kursen lär du dig att hantera och visualisera kategoriska data med pandas och seaborn. Genom praktiska övningar bekantar du dig med pandas datatyp för kategoriska data, inklusive hur du skapar, tar bort och uppdaterar kategoriska kolumner. Du arbetar också med en rad olika datamängder – bland annat om adoptionshundar, reserecensioner från Las Vegas och folkräkningsdata – för att utveckla dina färdigheter inom kategoriska data.

Data Manipulation with pandas

Lär dig hantera och visualisera kategoriska data med pandas och seaborn.

Arbeta med kategoriska data i Python

Lär dig att manipulera och visualisera kategoriska data med pandas och seaborn.

Fler alternativ för catplot()

Create Your Free Account