É preciso continuar em movimento
Vamos continuar a olhar os dados das edições que vão de Junho de 2017 a Maio de 2018, da “Vinho Grandes Escolhas”. Começámos no post anterior por utilizar o Pandas para importar os dados para memória. Vamos dar-lhes mais atenção.
import pandas as pd
vinhos = pd.read_excel('vinhos.xlsx')
Tal como já perceberam, uma dataframe é formada por colunas que correspondem a cada uma das variáveis disponíveis e linhas que são registos distintos, neste caso, cada vinho.
Por exmplo, se quiserem aceder aos valores da coluna tipo basta utilizar a seguinte notação:
vinhos['tipo']
0 branco
1 tinto
2 branco
3 tinto
4 branco
Name: tipo, dtype: object
Entretanto, já entendemos o que quer dizer tipo. Já agora, que tipos existem?
vinhos['tipo'].unique()
array(['branco', 'tinto', nan, 'rosé'], dtype=object)
Antes que fiquem preocupados, não inventámos um tipo novo de vinho.
nan significa not a number, mas poderia significar missing value, a coisa mais assustadora que existe em data science, a falta de dados que nos pode impedir de trabalhar. Se a variável fosse numérica, como o preço…
vinhos['grau'].unique()
array([13. , 14.5, 13.5, 14. , 12. , 12.5, 20. , 40. , 0. , 15. , 15.5,
16.5, 13.3, 11.5, 10.5, 11. , 19.5, 20.5, 17.5, 18. , 38.5, 49. ,
16. , 14.3, 38. , 39.5, 9. , 9.5, 14.8, 8.5, 55.8, 17. , 19. ,
10. , 21. ])
seria importante lembrar que nan é um valor em falta e não é mesma coisa que 0..
Neste caso quer dizer que houve um erro no processo de importação ou registo, por exemplo, uma vez que não existem vinhos com graduação 0..
Mais tarde, iremos abordar técnicas para remediar a ocorrência de valores em falta.
Mas quantos vinhos há de cada tipo?
vinhos['tipo'].value_counts()
tinto 1129
branco 897
rosé 122
Name: tipo, dtype: int64
O rosé está cada vez mais na moda, mas ainda com uma certa distância.