Neste post, vamos explorar como trabalhar com dados categóricos no Pandas, uma biblioteca Python amplamente utilizada para análise de dados. Dados categóricos são comuns em muitos conjuntos de dados e podem representar informações como categorias, rótulos ou grupos. Vamos criar um DataFrame de exemplo e abordar várias técnicas para manipular e analisar dados categóricos utilizando métodos do Pandas.
Sumário
![](https://www.balaiocientifico.com/wp-content/uploads/2022/12/banner_livro_python.webp)
O que são Dados Categóricos?
Dados categóricos são variáveis que podem assumir um número limitado e geralmente fixo de valores distintos, representando categorias ou grupos. Esses dados podem ser nominais (sem ordem intrínseca) ou ordinais (com ordem intrínseca). Manipular dados categóricos corretamente é essencial para realizar análises precisas e informativas.
Trabalhando com Dados Categóricos no Pandas
Criando um DataFrame com Dados Categóricos
Vamos começar criando um DataFrame simples que contém dados categóricos:
# Dados Categóricos no Pandas
import pandas as pd
data = {
'Nome': ['João', 'Ana', 'Carlos', 'Marta'],
'Gênero': ['Masculino', 'Feminino', 'Masculino', 'Feminino'],
'Cidade': ['São Paulo', 'Rio de Janeiro', 'Belo Horizonte', 'Salvador']
}
df = pd.DataFrame(data)
![](https://www.balaiocientifico.com/wp-content/uploads/2022/12/banner_livro_python.webp)
Convertendo Colunas para Tipo Categórico
Para melhorar a eficiência e facilitar a análise, podemos converter colunas de string para o tipo categórico:
# Dados Categóricos no Pandas
df['Gênero'] = df['Gênero'].astype('category')
df['Cidade'] = df['Cidade'].astype('category')
Visualizando Dados Categóricos
Podemos visualizar as categorias e suas frequências:
# Dados Categóricos no Pandas
df['Gênero'].value_counts()
df['Cidade'].value_counts()
![](https://www.balaiocientifico.com/wp-content/uploads/2022/12/banner_livro_python.webp)
Ordenando Dados Categóricos
Para dados categóricos ordinais, podemos definir uma ordem específica. Por exemplo, se tivermos uma coluna de avaliação:
# Dados Categóricos no Pandas
avaliacao = ['Baixo', 'Médio', 'Alto']
df['Avaliacao'] = pd.Categorical(['Médio', 'Alto', 'Baixo', 'Médio'], categories=avaliacao, ordered=True)
df['Avaliacao']
Filtrando Dados Categóricos
Podemos filtrar o DataFrame com base em categorias específicas:
# Dados Categóricos no Pandas
df[df['Gênero'] == 'Feminino']
![](https://www.balaiocientifico.com/wp-content/uploads/2022/12/banner_livro_python.webp)
Agrupando por Categorias
Agrupar dados categóricos pode fornecer informações valiosas. Por exemplo, para calcular a contagem de nomes por cidade:
# Dados Categóricos no Pandas
df.groupby('Cidade')['Nome'].count()
Transformações e Codificação
Podemos transformar dados categóricos em códigos numéricos:
# Dados Categóricos no Pandas
df['Gênero_Cod'] = df['Gênero'].cat.codes
Para a codificação One-Hot, que é útil para modelos de machine learning:
df_one_hot = pd.get_dummies(df, columns=['Cidade'])
![](https://www.balaiocientifico.com/wp-content/uploads/2022/12/banner_livro_python.webp)
Operações Avançadas com Dados Categóricos
Análise de Relações
Podemos analisar a relação entre diferentes dados categóricos. Por exemplo, usando uma tabela de contingência:
pd.crosstab(df['Gênero'], df['Cidade'])
Visualização de Dados Categóricos
Visualizar dados categóricos pode ajudar a identificar padrões e insights. Por exemplo, podemos usar bibliotecas como Matplotlib ou Seaborn para criar gráficos de barras:
import seaborn as sns
import matplotlib.pyplot as plt
sns.countplot(x='Gênero', data=df)
plt.show()
![](https://www.balaiocientifico.com/wp-content/uploads/2022/12/banner_livro_python.webp)
Trabalhando com Dados Categóricos em Séries Temporais
Se estivermos lidando com dados categóricos em séries temporais, podemos agrupar e resamplear os dados. Por exemplo, considerando que temos uma coluna de datas:
df['Data'] = pd.date_range(start='1/1/2023', periods=len(df), freq='D')
df.set_index('Data', inplace=True)
# Contar a frequência de categorias por mês
df.resample('M')['Gênero'].apply(lambda x: x.value_counts())
![](https://www.balaiocientifico.com/wp-content/uploads/2022/12/banner_livro_python.webp)
Links Úteis e Mais Conteúdo
Para mais informações sobre como utilizar o Pandas para análise de dados, confira outros conteúdos no meu blog:
- Filtrar Dados no Pandas
- NDVI no Google Earth Engine
- GeoParquet e DuckDB
- Vantagens de Aprender Python
- Análise de Dados com Pandas
- Como Criar Gráfico no Python
- Estatística Descritiva no Python
Considerações Finais
Espero que este guia tenha sido útil para aprender como trabalhar com dados categóricos no Pandas. A prática é essencial para dominar essas técnicas, então encorajo você a experimentar e aplicar esses métodos em seus próprios projetos de análise de dados.
Para aprimorar suas habilidades com o Pandas e se tornar mais eficiente na manipulação de dados, é importante também fortalecer sua compreensão em Python. Recomendamos o livro “Fundamentos em Python: Para Iniciantes em Programação e Computação”, disponível na Amazon, que oferece uma introdução abrangente ao Python.
![](https://www.balaiocientifico.com/wp-content/uploads/2022/12/banner_livro_python.webp)
Junte-se à nossa comunidade no Twitter e inscreva-se no nosso canal do YouTube para acessar mais tutoriais, dicas e recursos. Continue praticando e explorando novas maneiras de manipular dados com o Pandas, e fique atento para mais guias e tutoriais que compartilharemos.