programming python

Cách tìm chế độ dữ liệu phân loại trong Python

Để tính toán số liệu thống kê tóm tắt cho dữ liệu phân loại thứ tự [ví dụ:. , trung vị hoặc phần trăm], nhiều chức năng, như np.median, yêu cầu đầu vào số. Do đó, sẽ hữu ích nếu lưu trữ tên danh mục dưới dạng chuỗi và giá trị số [ví dụ:. , kiểu dữ liệu số nguyên hoặc float]. Điều này có thể được thực hiện bằng cách sử dụng mã hóa nhãn [trong Pandas, sử dụng thuộc tính cat.codes của cột khung dữ liệu 'danh mục']. Ví dụ: giả sử có một biến có tên là response trong một khung dữ liệu có tên là df chứa các câu trả lời cho câu hỏi “Đánh giá mức độ đồng ý của bạn với tuyên bố. người giàu nên trả thuế cao hơn,” trong đó các lựa chọn trả lời là “hoàn toàn không đồng ý”, “không đồng ý”, “trung lập”, “đồng ý” và “rất đồng ý”. Mã được cung cấp có thể được sử dụng để tính danh mục trung vị cho dữ liệu này

Chúng tôi biết rằng chúng tôi có thể thay thế các giá trị nan bằng giá trị trung bình hoặc trung bình bằng cách sử dụng fillna[]. Điều gì xảy ra nếu dữ liệu NAN tương quan với một cột phân loại khác?

Nếu giá trị NAN dự kiến ​​là một giá trị phân loại thì sao?

Dưới đây là một số mẹo hữu ích để xử lý các giá trị NAN

Chắc chắn bạn đang làm điều đó với Pandas và Numpy

import pandas as pd
import numpy as np
ngroup
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]

Hãy sử dụng hàm 

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
54 để tìm chế độ của khung dữ liệu




cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
55

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
56

đầu ra

 
Ví dụ #2. Sử dụng hàm 

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
0 để tìm chế độ trên trục cột




cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
1

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
2 
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
3

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
4

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
5

df_______17

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
8
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
00
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
01
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
02
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
04
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
06
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
04
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
10
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
11

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
12
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
13
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
01
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
06
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
17
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
19
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
21
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
17
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
11

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
12
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
26
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
01
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
28
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
28_______103
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
32
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
21
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
36
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
11

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
12
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
39
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
01
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
02
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
21
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
45
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
17
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
03
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
45
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
50

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
4

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
52

________số 8

Hãy sử dụng hàm 

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
54 để tìm chế độ




cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
031

cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
032
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
7 
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
10
cl = pd.DataFrame[{
'team':['A','A','A','A','A','B','B','B','B','B'],                   'class'['I','I','I','I','I','I','I','II','II','II'],
'value': [1, np.nan, 2, 2, 3, 1, 3, np.nan, 3,1]}]
035

đầu ra

Ở hàng thứ 0 và thứ 3, 14 và 3 là chế độ vì chúng có tần suất xuất hiện lớn nhất [i. e. 2]. Trong phần còn lại của cột, tất cả các phần tử đều là chế độ vì chúng có cùng tần suất xuất hiện

Bạn có thể sử dụng chế độ dữ liệu phân loại không?

Có thể sử dụng chế độ này để tóm tắt các biến phân loại , trong khi giá trị trung bình và trung vị chỉ có thể được tính cho các biến số. Đây là ưu điểm chính của chế độ như một thước đo xu hướng trung tâm.

Chế độ [][ 0 nghĩa là gì?

.mode[][0] sẽ trả về một giá trị duy nhất . đó là chế độ tính năng['Exterior1st'] Và nếu bạn chỉ sử dụng. cách thức[]. bạn sẽ nhận được một lỗi. bởi vì mode[] luôn trả về một chuỗi bất kể một giá trị có được trả về hay không.

Chế độ [] trong gấu trúc là gì?

Phương thức Pandas DataFrame mode[] . Giá trị trung bình, trung bình và chế độ. Mean - Giá trị trung bình. Trung vị - Giá trị điểm giữa. Chế độ - Giá trị phổ biến nhất. returns the mode value of each column. Mean, Median, and Mode: Mean - The average value. Median - The mid point value. Mode - The most common value.

Bài Viết Liên Quan

Cách thêm ngày và giờ ở dạng HTML
Làm cách nào để tìm id mongodb của tôi?
Câu trả lời cho bài kiểm tra cuối kỳ edX Python
High school QB rankings 2024
Bao nhiêu tuổi làm nhà đẹp nhất năm 2022?
Html sang canvas hoạt động như thế nào?
Làm cách nào để chạy mã php trong văn bản cao siêu 3?
Làm cách nào để cài đặt python 3.7 trong môi trường anaconda?
Char trong Python
Bitcoin Halving 2024 là gì
Excel ngày dừng chuyển đổi thành số trong công thức
Tìm nạp hoạt động như thế nào trong javascript?
Chèn khoảng cách giữa văn bản trong excel
Tìm đối tượng lồng nhau MongoDB
Tìm vị trí ký tự trong chuỗi JavaScript
Trình giải quyết không gian tên php
Bitcoin sẽ phục hồi vào năm 2023?
Google sheet lấy dữ liệu từ website
Làm cách nào để tăng giới hạn bộ nhớ php trong godaddy cpanel?
Làm thế nào để bạn thực hiện các phép toán trong php?

Toplist mới

#1
Top 9 review kem chống nắng cho bà bầu 2023
7 tháng trước
#2
Top 5 tiếng anh lớp 2 unit 7 trang 46 2023
7 tháng trước
#3
Top 10 tải: mẫu the nhân viên trên excel 2023
7 tháng trước
#4
Top 7 tuyển dụng nhân viên chốt đơn tại nhà 2023
7 tháng trước
#5
Top 7 mẫu nhà 2 tầng chữ l 100m2 mái bằng 2023
7 tháng trước
#6
Top 4 truyện ngắn về quê hương lớp 2 2023
7 tháng trước
#7
Top 6 sơ đồ bộ máy nhà nước thời hồ 2023
7 tháng trước
#8
Top 8 trước việc nhật đảo chính pháp, đảng ta có chủ trương gì mới 2023
7 tháng trước
#9
Top 7 dân số đông đã đem đến cho nước ta 2023
7 tháng trước

Bài mới nhất

Đặt bàn thờ ông táo như thế nào năm 2024
Thôn 2 xã phú yên huyện thọ xuân thanh hóa năm 2024
Giải các bài toán về tính tuổi bằng đồ thị năm 2024
Cách ghi sổ xuất hóa đơn trc hàng về sau năm 2024
Cai đặt phương thức thanh toán website wordpress năm 2024
Lỗi không đang nhập được đồng bộ hóa coccoc năm 2024
Chữa thoái hóa xương khớp của đỗ đưcs ngocj năm 2024
Bài tập mạch điện có bình điện phân năm 2024
Tìm lỗi sai eggs are taken to the mảket fridays năm 2024
Giải bài tập và thực hành 2 tin học 11 năm 2024

Chủ Đề

Toplist programming Địa Điểm Hay Hỏi Đáp Là gì Mẹo Hay Nghĩa của từ Học Tốt Công Nghệ mẹo hay Khỏe Đẹp bao nhiêu Top List Bao nhiêu Sản phẩm tốt Bài Tập Xây Đựng Ngôn ngữ đánh giá Tiếng anh Bài tập So Sánh Ở đâu So sánh Hướng dẫn Dịch bao nhieu Tại sao Đại học hướng dẫn Thế nào Máy tính Vì sao Bao lâu Khoa Học Hà Nội