Hedef değişkenini keşfetme

Bir kişinin yılda 50.000 $'ın üzerinde kazanıp kazanmadığını tahmin eden bir Machine Learning modeli kurman isteniyor. Hedef değişkeni Above/Below 50k'yi daha iyi anlamak için bu değişkeni ayrıntılı olarak incelemeye karar veriyorsun.

Bu kurs boyunca Python paketi pandas kullanılacak ve pd olarak yüklenecek. Yetişkin nüfus geliri veri kümesi adult da senin için önceden yüklendi.

Bu egzersiz

Python'da Kategorik Verilerle Çalışma

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Explore the Above/Below 50k variable
print(adult[____].____)

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

Geçerli Egzersiz

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

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