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.

Kursa giriş

Seçenekler

Kategorik

Sayısal

Kategorik vs. sayısal

Hedef değişkenini keşfetme

Sıralı Kategorik Değişken

Sıralı kategorik değişkenler

pandas'ta kategorik veriler

dtype’ları ayarlama ve belleği koruma

Kategorik bir pandas Series oluşturma

Veri okunurken dtype ayarlama

pandas'ta verileri kategoriye göre gruplama

Bir sürü grup oluştur

.groupby() ifadesi kurma

pandas işlevlerini etkili kullanma

Introduction to Categorical Data

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.

Setting category variables

Setting categories

Adding categories

Removing categories

Updating categories

Collapsing categories knowledge check

Renaming categories

Collapsing categories

Reordering categories

Reordering categories in a Series

Using .groupby() after reordering

Cleaning and accessing data

Cleaning variables

Accessing and filtering data

Categorical pandas Series

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.

Introduction to categorical plots using Seaborn

Boxplot understanding

Creating a box plot

Seaborn bar plots

Creating a bar plot

Ordering categories

Bar plot using hue

Point and count plots

Creating a point plot

Creating a count plot

Review catplot() types

Additional catplot() options

One visualization per group

Updating categorical plots

Visualizing Categorical Data

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.

Categorical pitfalls

Memory usage knowledge check

Overcoming pitfalls: string issues

Overcoming pitfalls: using NumPy arrays

Label encoding

Create a label encoding and map

Using saved mappings

Creating a Boolean encoding

One-hot encoding

One-hot knowledge check

One-hot encoding specific columns

Wrap-up video

Pitfalls and Encoding

Adult Census Income

Adoptable Dogs

Tripadvisor Reviews

Used Cars

Bir kişinin kan grubu ya da medeni durumu gibi sayısal olmayan verileri anlamak, kullanmak ve özetlemek bir veri bilimcinin temel becerilerindendir. Bu derste, pandas ve seaborn kullanarak kategorik verileri nasıl işleyip görselleştireceğini öğreneceksin. Uygulamalı egzersizler boyunca pandas'ın kategorik veri türünü kavrayacak; kategorik sütunlar oluşturma, silme ve güncelleme adımlarını göreceksin. Ayrıca, sahiplenilebilir köpeklerin özellikleri, Las Vegas gezi yorumları ve nüfus sayımı verileri gibi çok çeşitli veri kümeleriyle çalışarak kategorik verilerle çalışma becerilerini geliştireceksin.

Data Manipulation with pandas

Pandas ve seaborn kullanarak kategorik verileri nasıl işleyip görselleştireceğinizi öğrenin.

Python'da Kategorik Verilerle Çalışma

Pandas ve Seaborn kullanarak kategorik verileri nasıl işleyip görselleştirebileceğinizi öğrenin.

pandas'ta verileri kategoriye göre gruplama

Create Your Free Account