<\/p>\n
Aby utworzy\u0107 zmienn\u0105 kategorialn\u0105<\/a> w pandach, mo\u017cesz u\u017cy\u0107 dowolnej z nast\u0119puj\u0105cych metod:<\/span><\/p>\n Metoda 1: Utw\u00f3rz zmienn\u0105 jako\u015bciow\u0105 od podstaw<\/strong><\/span><\/p>\n Metoda 2: Utw\u00f3rz zmienn\u0105 jako\u015bciow\u0105 na podstawie istniej\u0105cej zmiennej numerycznej<\/strong><\/span><\/p>\n Poni\u017csze przyk\u0142ady pokazuj\u0105, jak zastosowa\u0107 ka\u017cd\u0105 metod\u0119 w praktyce.<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak utworzy\u0107 ramk\u0119 danych pandy ze zmienn\u0105 kategorialn\u0105 o nazwie zesp\u00f3\u0142<\/strong> i zmienn\u0105 numeryczn\u0105 o nazwie punkty<\/strong> :<\/span><\/p>\n U\u017cywaj\u0105c df.dtypes<\/strong> mo\u017cemy zobaczy\u0107 typ danych ka\u017cdej zmiennej<\/a> w DataFrame.<\/span><\/p>\n Mo\u017cemy zobaczy\u0107:<\/span><\/p>\n W Pythonie obiekt<\/strong> jest odpowiednikiem znaku lub zmiennej \u201ekategorycznej\u201d. Zatem zmienna zespo\u0142owa jest zmienn\u0105 kategoryczn\u0105.<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak utworzy\u0107 zmienn\u0105 kategorialn\u0105 o nazwie status<\/strong> na podstawie istniej\u0105cej zmiennej numerycznej zwanej punktami<\/strong> w ramce DataFrame:<\/span><\/p>\n Za pomoc\u0105 funkcji cut()<\/strong> utworzyli\u015bmy now\u0105 zmienn\u0105 kategoryczn\u0105 o nazwie status<\/strong> , kt\u00f3ra przyjmuje nast\u0119puj\u0105ce warto\u015bci:<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce podczas korzystania z<\/span> funkcji cut()<\/strong> liczba<\/span> etykiet<\/strong> musi by\u0107 o jeden mniejsza ni\u017c liczba<\/span> pojemnik\u00f3w<\/strong> .<\/span><\/span><\/p>\n W naszym przyk\u0142adzie u\u017cyli\u015bmy czterech warto\u015bci dla pude\u0142ek<\/strong> , aby zdefiniowa\u0107 kraw\u0119dzie pude\u0142ek i trzech warto\u015bci dla etykiet<\/strong> , aby okre\u015bli\u0107 etykiety, kt\u00f3re maj\u0105 by\u0107 u\u017cyte dla zmiennej kategorycznej.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania zwi\u0105zane z pand\u0105:<\/span><\/p>\n Jak utworzy\u0107 fikcyjne zmienne w Pandach<\/a> Aby utworzy\u0107 zmienn\u0105 kategorialn\u0105 w pandach, mo\u017cesz u\u017cy\u0107 dowolnej z nast\u0119puj\u0105cych metod: Metoda 1: Utw\u00f3rz zmienn\u0105 jako\u015bciow\u0105 od podstaw df[’ cat_variable ’] = [’ A ’, ’ B ’, ’ C ’, ’ D ’] Metoda 2: Utw\u00f3rz zmienn\u0105 jako\u015bciow\u0105 na podstawie istniej\u0105cej zmiennej numerycznej df[’ cat_variable ’] = pd. cut (df[’ numeric_variable ’], bins=[ […]<\/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-3606","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n df[' cat_variable<\/span> '] = [' A<\/span> ', ' B<\/span> ', ' C<\/span> ', ' D<\/span> ']\n<\/strong><\/pre>\n df[' cat_variable<\/span> '] = pd. cut<\/span> (df[' numeric_variable<\/span> '],\n bins=[ 0,15,25<\/span> ,float(' Inf<\/span> ') ]<\/span> ,<\/span>\n labels=[' Bad<\/span> ', ' OK<\/span> ', ' Good<\/span> '])<\/strong><\/pre>\n Przyk\u0142ad 1: Utw\u00f3rz zmienn\u0105 jako\u015bciow\u0105 od podstaw<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#create DataFrame with one categorical variable and one numeric variable\n<\/span>df = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H'],\n ' points<\/span> ': [12, 15, 19, 22, 24, 25, 26, 30]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team points\n0 to 12\n1 B 15\n2 C 19\n3 D 22\n4 E 24\n5 F 25\n6 G 26\n7:30 a.m.\n\n#view data type of each column in DataFrame\n<\/span>print<\/span> ( df.dtypes<\/span> )\n\nteam object\nint64 dots\ndtype:object<\/span><\/span><\/strong><\/pre>\n\n
Przyk\u0142ad 2: Utw\u00f3rz zmienn\u0105 kategorialn\u0105 na podstawie istniej\u0105cej zmiennej numerycznej<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#create DataFrame with one categorical variable and one numeric variable\n<\/span>df = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H'],\n ' points<\/span> ': [12, 15, 19, 22, 24, 25, 26, 30]})\n\n#create categorical variable 'status' based on existing numerical 'points' variable\n<\/span>df[' status<\/span> '] = pd. cut<\/span> (df[' points<\/span> '],\n bins=[ 0,15,25<\/span> ,float(' Inf<\/span> ') ]<\/span> ,<\/span>\n labels=[' Bad<\/span> ', ' OK<\/span> ', ' Good<\/span> '])\n\n#view updated DataFrame\n<\/span>print<\/span> (df)\n\n team points status\n0 To 12 Bad\n1 B 15 Bad\n2 C 19 OK\n3 D 22 OK\n4 E 24 OK\n5 F 25 OK\n6 G 26 Good\n7:30 a.m. Good<\/span><\/span><\/strong><\/pre>\n\n
Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak przekonwertowa\u0107 zmienn\u0105 kategorialn\u0105 na numeryczn\u0105 w Pandach<\/a>
Jak przekonwertowa\u0107 warto\u015bci logiczne na warto\u015bci ca\u0142kowite w Pandach<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"