Como soltar colunas no tutorial do Pandas

Muitas vezes, um DataFrame conterá colunas que não são úteis para a sua análise. Essas colunas devem ser retiradas do DataFrame para facilitar que você se concentre nas colunas restantes.

As colunas podem ser removidas especificando-se os nomes dos rótulos e os eixos correspondentes, ou especificando-se diretamente os nomes dos índices ou das colunas. Ao usar um índice múltiplo, os rótulos em níveis diferentes podem ser removidos especificando-se o nível.

.drop() Método

Vamos comparar a contagem de valores ausentes com o formato do dataframe. Você perceberá que a coluna county_name contém tantos valores ausentes quanto linhas, o que significa que ela contém apenas valores ausentes.

ri.isnull().sum()

state                            0
stop_date                        0
stop_time                        0
county_name                  91741
driver_gender                 5205
driver_race                   5202
...

ri.shape

91741, 15

Como ela não contém informações úteis, essa coluna pode ser eliminada usando o método .drop().

Além de especificar o nome da coluna, você precisa especificar que está eliminando do eixo das colunas e que deseja que a operação ocorra no local, o que evita um comando de atribuição, como mostrado abaixo:

ri.drop('county_name',
  axis='columns', inplace=True)

.dropna() Método

O método .dropna() é uma ótima maneira de eliminar linhas com base na presença de valores ausentes nessa linha.

Por exemplo, usando o conjunto de dados acima, vamos supor que as colunas stop_date e stop_time sejam essenciais para nossa análise e, portanto, uma linha é inútil para nós sem esses dados.

ri.head()

    state   stop_date    stop_time    driver_gender   driver_race
0      RI  2005-01-04        12:55                M         White
1      RI  2005-01-23        23:15                M         White
2      RI  2005-02-17        04:15                M         White
3      RI  2005-02-20        17:15                M         White
4      RI  2005-02-24        01:20                F         White

Podemos dizer ao pandas para eliminar todas as linhas que tenham um valor ausente nas colunas stop_date ou stop_time. Como especificamos um subconjunto, o método .dropna() leva em conta apenas essas duas colunas ao decidir quais linhas você deve descartar.

ri.dropna(subset=['stop_date', 'stop_time'], inplace=True)

Exemplo interativo de eliminação de colunas

Neste exemplo, você eliminará a coluna county_name porque ela contém apenas valores ausentes e eliminará a coluna state porque todas as paradas de trânsito ocorreram em um estado (Rhode Island). Assim, essas colunas podem ser eliminadas porque não contêm informações úteis. O número de valores ausentes em cada coluna foi impresso no console para você.

• Examine o site .shape do DataFrame para descobrir o número de linhas e colunas.
• Elimine as colunas county_name e state passando os nomes das colunas para o método .drop() como uma lista de cadeias de caracteres.
• Examine o site .shape novamente para verificar se agora há duas colunas a menos.

# Examine the shape of the DataFrame
print(ri.shape)

# Drop the 'county_name' and 'state' columns
ri.drop(['county_name', 'state'], axis='columns', inplace=True)

# Examine the shape of the DataFrame (again)
print(ri.shape)

Quando você executa o código acima, ele produz o seguinte resultado:

(91741, 15)
(91741, 13)

Experimente você mesmo.

Para saber mais sobre a eliminação de colunas no pandas, assista a este vídeo do nosso curso, Introdução à visualização de dados com ggplot2.

Este conteúdo foi extraído do curso Introdução à visualização de dados com ggplot2 do DataCamp, ministrado por Kevin Markham.

Confira nosso tutorial Pandas Add Column.