Dúvida sobre tipagem dos dados

tipo = pd.DataFrame(df.dtypes, columns = ['Tipo']) tipo.columns.name = 'Variáveis' print(tipo) Variáveis Tipo sample_code int64 clump_thick int64 cell_sive int64 cell_shape int64 marg_adhesion int64 sing_epith_cell_size int64 bare_nuclei object bland_chromatin int64 normal_nucleoli int64 mitoses int64 class int64

import pandas as pd import os #Reading data labels = ['sample_code' ,'clump_thick' ,'cell_sive' ,'cell_shape' , 'marg_adhesion' ,'sing_epith_cell_size','bare_nuclei','bland_chromatin', 'normal_nucleoli','mitoses' ,'class'] df = pd.read_csv('.../Breast cancer Wisconsin/data.csv', sep=',', header=0, names=labels) tipo = pd.DataFrame(df.dtypes, columns = ['Tipo']) tipo.columns.name = 'Variáveis' print(tipo)

Olá Fabio,

Analisando os dados que você está utilizando percebi que a variável "bare_nuclei" apresenta 16 registros com o caractere "?".

In [1]:

df['bare_nuclei'].value_counts()

Out [1]:

1     401
10    132
5      30
2      30
3      28
8      21
4      19
?      16  <- Registros problemáticos
9       9
7       8
6       4
Name: bare_nuclei, dtype: int64

Você como cientista de dados pode tentar investigar o porquê da falta desta informação e talvez tentar imputar estes dados, como aprendemos nas aulas sobre Valores Faltantes.

Vou mostrar como eliminar estas informações do DataFrame e como converter uma coluna de object (string) para inteiro.

In [2]:

df = df[df['bare_nuclei'] != '?']
df['bare_nuclei'] = df['bare_nuclei'].astype('int64')
df.dtypes

Out [2]:

sample_code             int64
clump_thick             int64
cell_sive               int64
cell_shape              int64
marg_adhesion           int64
sing_epith_cell_size    int64
bare_nuclei             int64
bland_chromatin         int64
normal_nucleoli         int64
mitoses                 int64
class                   int64
dtype: object

Espero ter ajudado meu amigo.

Abraço.

Rodrigo

Mergulhe em programação