使用 python/pandas 简化分类变量

Question

我正在使用 Kaggle 上的 airbnb 数据集：

https://www.kaggle.com/c/airbnb-recruiting-new-user-bookings

并希望将语言列的值简化为 2 个分组 - 英语和非英语。

例如：

users.language.value_counts()
en    15011
zh      101
fr       99
de       53
es       53
ko       43
ru       21
it       20
ja       19
pt       14
sv       11
no        6
da        5
nl        4
el        2
pl        2
tr        2
cs        1
fi        1
is        1
hu        1
Name: language, dtype: int64

而我想要的结果是：

users.language.value_counts()
    english    15011
    non-english 459
    Name: language, dtype: int64

这就是我想要的解决方案：

def language_groupings():
    for i in users:
        if users.language !='en':
            replace(users.language.str, 'non-english')
        else: 
            replace(users.language.str, 'english')
    return users

users['language'] = users.apply(lambda row: language_groupings)

除了这显然有问题，因为当我运行 value_counts 在专栏上时，它 returns 是一个空系列。

Answer 1

这是你想要的吗？

In [181]: x
Out[181]:
      val
en  15011
zh    101
fr     99
de     53
es     53
ko     43
ru     21
it     20
ja     19
pt     14
sv     11
no      6
da      5
nl      4
el      2
pl      2
tr      2
cs      1
fi      1
is      1
hu      1

In [182]: x.groupby(x.index == 'en').sum()
Out[182]:
         val
False    459
True   15011

Answer 2

试试这个：

 users.language = np.where( users.language !='en', 'non-english', 'english' )

使用 python/pandas 简化分类变量

Simplifying categorical variables with python/pandas

python

pandas

data-science

kaggle