<\/p>\n
Mo\u017cesz u\u017cy\u0107 nast\u0119puj\u0105cej podstawowej sk\u0142adni, aby przekonwertowa\u0107 zmienn\u0105 kategorialn\u0105 na zmienn\u0105 numeryczn\u0105 w ramce DataFrame pandy:<\/span><\/p>\n Mo\u017cesz tak\u017ce u\u017cy\u0107 poni\u017cszej sk\u0142adni, aby przekonwertowa\u0107 ka\u017cd\u0105 zmienn\u0105 kategorialn\u0105 w ramce DataFrame na zmienn\u0105 numeryczn\u0105:<\/span><\/p>\n Poni\u017csze przyk\u0142ady pokazuj\u0105, jak u\u017cywa\u0107 tej sk\u0142adni w praktyce.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 DataFrame pand:<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cej sk\u0142adni, aby przekonwertowa\u0107 kolumn\u0119 \u201ezesp\u00f3\u0142\u201d na numeryczn\u0105:<\/span><\/span><\/p>\n Oto jak przebieg\u0142a konwersja:<\/span><\/p>\n Za\u0142\u00f3\u017cmy jeszcze raz, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 DataFrame pandy:<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cej sk\u0142adni, aby przekonwertowa\u0107 ka\u017cd\u0105 zmienn\u0105 kategorialn\u0105 w ramce DataFrame na zmienn\u0105 numeryczn\u0105:<\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce dwie kolumny kategoryczne (dru\u017cyna i pozycja) zosta\u0142y przekonwertowane na liczby, natomiast kolumny punkt\u00f3w i zbi\u00f3rek pozosta\u0142y takie same.<\/span><\/p>\n Uwaga<\/strong> : pe\u0142n\u0105 dokumentacj\u0119 funkcji pandasfactorize()<\/strong> mo\u017cna znale\u017a\u0107 tutaj<\/a> .<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe operacje na pandach:<\/span><\/p>\n Jak przekonwertowa\u0107 kolumny Pandas DataFrame na ci\u0105gi<\/a> Mo\u017cesz u\u017cy\u0107 nast\u0119puj\u0105cej podstawowej sk\u0142adni, aby przekonwertowa\u0107 zmienn\u0105 kategorialn\u0105 na zmienn\u0105 numeryczn\u0105 w ramce DataFrame pandy: df[’ column_name ’] = pd. factorize (df[’ column_name ’])[0] Mo\u017cesz tak\u017ce u\u017cy\u0107 poni\u017cszej sk\u0142adni, aby przekonwertowa\u0107 ka\u017cd\u0105 zmienn\u0105 kategorialn\u0105 w ramce DataFrame na zmienn\u0105 numeryczn\u0105: #identify all categorical variables cat_columns = df. select_dtypes ([’ object ’]). columns #convert all […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2373","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n df[' column_name<\/span> '] = pd. factorize<\/span> (df[' column_name<\/span> '])[0]\n<\/strong><\/pre>\n #identify all categorical variables<\/span>\ncat_columns = df. select_dtypes<\/span> ([' object<\/span> ']). columns<\/span>\n\n#convert all categorical variables to numeric<\/span>\ndf[cat_columns] = df[cat_columns]. apply<\/span> ( lambda<\/span> x: pd.factorize<\/span> (x)[ 0<\/span> ])\n<\/b><\/pre>\n Przyk\u0142ad 1: Konwersja zmiennej jako\u015bciowej na numeryczn\u0105<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\ndf = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'A', 'A', 'B', 'B', 'B', 'C', 'C', 'C'],\n ' position<\/span> ': ['G', 'G', 'F', 'G', 'F', 'C', 'G', 'F', 'C'],\n ' points<\/span> ': [5, 7, 7, 9, 12, 9, 9, 4, 13],\n ' rebounds<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12, 10]})\n\n#view DataFrame\ndf\n\n<\/span>team position<\/span> points rebounds\n0 A G<\/span> 5 11\n1 A G<\/span> 7 8\n2 A F<\/span> 7 10\n3 B G<\/span> 9 6\n4 B F<\/span> 12 6\n5 B C<\/span> 9 5\n6 C G<\/span> 9 9\n7 C F<\/span> 4 12\n8 C C<\/span> 13 10\n<\/span><\/span><\/span><\/span><\/strong><\/pre>\n #convert 'team' column to numeric\n<\/span>df[' team<\/span> '] = pd. factorize<\/span> (df[' team<\/span> '])[ 0<\/span> ]<\/span>\n\n#view updated DataFrame\ndf<\/span>\n\nteam position<\/span> points rebounds\n0 0 G<\/span> 5 11\n1 0 G<\/span> 7 8\n2 0 F<\/span> 7 10\n3 1 G<\/span> 9 6\n4 1 F<\/span> 12 6\n5 1 C<\/span> 9 5\n6 2 G<\/span> 9 9\n7 2 F<\/span> 4 12\n8 2 C<\/span> 13 10\n<\/span><\/span><\/strong><\/pre>\n\n
Przyk\u0142ad 2: Konwersja wielu zmiennych jako\u015bciowych na warto\u015bci liczbowe<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\ndf = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'A', 'A', 'B', 'B', 'B', 'C', 'C', 'C'],\n ' position<\/span> ': ['G', 'G', 'F', 'G', 'F', 'C', 'G', 'F', 'C'],\n ' points<\/span> ': [5, 7, 7, 9, 12, 9, 9, 4, 13],\n ' rebounds<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12, 10]})\n\n#view DataFrame\n<\/span>df\n\n team position points rebounds\n0 A G 5 11\n1 A G 7 8\n2 A F 7 10\n3 B G 9 6\n4 B F 12 6\n5 B C 9 5\n6 C G 9 9\n7 C F 4 12\n8 C C 13 10\n<\/span><\/span><\/strong><\/pre>\n #get all categorical columns\n<\/span>cat_columns = df. select_dtypes<\/span> ([' object<\/span> ']). columns<\/span>\n\n#convert all categorical columns to numeric\n<\/span>df[cat_columns] = df[cat_columns]. apply<\/span> ( lambda<\/span> x: pd.factorize<\/span> (x)[ 0<\/span> ])\n\n#view updated DataFrame\n<\/span>df\n\n\tteam position points rebounds\n0 0 0 5 11\n1 0 0 7 8\n2 0 1 7 10\n3 1 0 9 6\n4 1 1 12 6\n5 1 2 9 5\n6 2 0 9 9\n7 2 1 4 12\n8 2 2 13 10\n<\/strong><\/span><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak przekonwertowa\u0107 kolumny Pandas DataFrame na liczb\u0119 ca\u0142kowit\u0105<\/a>
Jak przekonwertowa\u0107 ci\u0105gi na p\u0142ywaj\u0105ce w Pandas DataFrame<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"