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.

Course introduction

Categorical vs. numerical

Exploring a target variable

Ordinal categorical variables

Categorical data in pandas

Setting dtypes and saving memory

Creating a categorical pandas Series

Setting dtype when reading data

Grouping data by category in pandas

Create lots of groups

Setting up a .groupby() statement

Using pandas functions effectively

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.

Seaborn ile kategorik grafiklere giriş

Kutu grafiğini anlama

Kutu grafiği oluşturma

Seaborn çubuk grafikleri

Çubuk grafiği oluşturma

Kategorileri sıralama

Hue kullanarak çubuk grafik

Nokta ve sayım grafikleri

Nokta grafiği oluşturma

Count plot oluşturma

Data Science Süreci

catplot() türlerini gözden geçir

Ek catplot() seçenekleri

Grup başına bir görselleştirme

Kategorik görselleştirmeleri güncelleme

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.

Yardımcı Veri Bilimcisi  Python'da

Kutu grafiğini anlama

Python'da Kategorik Verilerle Çalışma

Uygulamalı interaktif egzersiz