[데이터 전처리] 수치형 데이터를 범주형 데이터로 변환하기

이 글은 수치형 데이터를 범주형 데이터로 변환하는 방법에 관한 기록입니다.

아래의 코드 사용된 데이터셋은 이곳에서 다운로드 받을 수 있습니다.

수치형 데이터를 범주형 데이터로 만들기

# 패키지 불러오기
import pandas as pd

# 데이터 불러오기
df = pd.read_csv('../data/titanic/train.csv', index_col=0)
df

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
PassengerId
1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S
...	...	...	...	...	...	...	...	...	...	...	...
887	0	2	Montvila, Rev. Juozas	male	27.0	0	0	211536	13.0000	NaN	S
888	1	1	Graham, Miss. Margaret Edith	female	19.0	0	0	112053	30.0000	B42	S
889	0	3	Johnston, Miss. Catherine Helen "Carrie"	female	NaN	1	2	W./C. 6607	23.4500	NaN	S
890	1	1	Behr, Mr. Karl Howell	male	26.0	0	0	111369	30.0000	C148	C
891	0	3	Dooley, Mr. Patrick	male	32.0	0	0	370376	7.7500	NaN	Q

891 rows × 11 columns

1. 수치형 데이터의 범위를 바탕으로 구간을 나누어 레이블링 하기

df.loc[df['Age']<10, 'Age_range'] = '0s'
df.loc[(df['Age']>=10) & (df['Age']<20), 'Age_range'] = '10s'
df.loc[(df['Age']>=20) & (df['Age']<30), 'Age_range'] = '20s'
df.loc[(df['Age']>=30) & (df['Age']<40), 'Age_range'] = '30s'
df.loc[(df['Age']>=40) & (df['Age']<50), 'Age_range'] = '40s'
df.loc[(df['Age']>=50) & (df['Age']<60), 'Age_range'] = '50s'
df.loc[(df['Age']>=60) & (df['Age']<70), 'Age_range'] = '60s'
df.loc[(df['Age']>=70) & (df['Age']<80), 'Age_range'] = '70s'
df.loc[df['Age']>=80, 'Age_range'] = '80s'

df.head()

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Age_range
PassengerId
1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S	20s
2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C	30s
3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S	20s
4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S	30s
5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S	30s

df['Age_range'].value_counts().to_frame()

	Age_range
20s	220
30s	167
10s	102
40s	89
0s	62
50s	48
60s	19
70s	6
80s	1

2. cut() 함수를 사용하여 레이블링 하기

cut() 함수는 수치형 데이터를 사용자가 설정한 구간으로 나누어 범주형 데이터를 만들 수 있도록 합니다. cut() 함수는 bins와 labels를 인자로 갖는데, bins에는 범주를 나누고자 하는 경계값을 리스트로 넣어주고, labels에는 각 범주의 범주명을 리스트로 넣어줍니다.

df['Age_cut'] = 0
df['Age_cut'] = pd.cut(df['Age'], bins=[0,20,40,60,80], labels=['0-20','20-40','40-60','60-80'])

df.head()

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Age_range	Age_cut
PassengerId
1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S	20s	20-40
2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C	30s	20-40
3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S	20s	20-40
4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S	30s	20-40
5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S	30s	20-40

df['Age_cut'].value_counts().to_frame()

	Age_cut
20-40	385
0-20	179
40-60	128
60-80	22

3. qcut() 함수를 사용하여 레이블링 하기

qcut() 함수는 수치형 데이터를 사용자가 설정한 범주의 개수로 나누어 범주형 데이터를 만들 수 있도록 합니다. 이때 사용자는 범주의 개수만을 설정할 뿐 나머지는 판다스에서 각 범주 별로 빈도 수가 비슷하도록 자체적으로 범주를 나눕니다. qcut() 함수는 q와 labels를 인자로 갖는데, q에는 범주의 개수를 넣어주고, 인자 q=에는 범주의 개수를 지정해주고, labels에는 각 범주의 범주명을 리스트로 넣어줍니다.

df['Age_qcut'] = 0
df['Age_qcut'] = pd.qcut(df['Age'], q=5, labels=['A','B','C','D','E'])

df.head()

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Age_range	Age_cut	Age_qcut
PassengerId
1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S	20s	20-40	B
2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C	30s	20-40	D
3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S	20s	20-40	C
4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S	30s	20-40	D
5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S	30s	20-40	D

df['Age_qcut'].value_counts().to_frame()

	Age_qcut
A	164
D	144
E	142
B	137
C	127

앞서 살펴본 경우와 달리 각 범주 별 빈도가 비슷한 것을 볼 수 있습니다.