pandas işlevlerini etkili kullanma

Kullanıcının seçtiği değişkenlere göre özet istatistikler hesaplayacak bir Python uygulaması oluşturuyorsun. Tam veri kümesi oldukça büyük. Şimdilik, kodunu veri kümesinin bir parçası üzerinde (önceden adult olarak yüklenmiş) kuruyorsun. Yeniden kullanılabilir bir süreç oluştururken, GroupBy nesnesini en verimli şekilde nasıl kuracağına dikkat ettiğinden emin ol.

Bu egzersiz

Python'da Kategorik Verilerle Çalışma

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Kullanıcının seçtiği iki değişkenin adlarından bir liste oluştur: "Education" ve "Above/Below 50k".
user_listi gruplayıcı değişkenler olarak kullanarak gb adlı bir GroupBy nesnesi oluştur.
Videoda ele alınan en verimli yaklaşımı kullanarak her grup için "Hours/Week" ortalamasını hesapla.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Create a list of user-selected variables
user_list = ____

# Create a GroupBy object using this list
gb = ____

# Find the mean for the variable "Hours/Week" for each group - Be efficient!
print(____)

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python'da Kategorik Verilerle Çalışma

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

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: Kursa giriş Exercise 2: Kategorik vs. sayısal Exercise 3: Hedef değişkenini keşfetme Exercise 4: Sıralı kategorik değişkenler Exercise 5: pandas'ta kategorik veriler Exercise 6: dtype’ları ayarlama ve belleği koruma Exercise 7: Kategorik bir pandas Series oluşturma Exercise 8: Veri okunurken dtype ayarlama Exercise 9: pandas'ta verileri kategoriye göre gruplama Exercise 10: Bir sürü grup oluştur Exercise 11: .groupby() ifadesi kurma Exercise 12: pandas işlevlerini etkili kullanma

Geçerli Egzersiz

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: 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