Hraniční hodnota podobnosti
V tomto cvičení, a v celé této kapitole, budeš pracovat s DataFrame restaurants, který obsahuje data o různých restauracích. Tvým hlavním cílem je vytvořit systém doporučování restaurací, ale nejdřív je potřeba data vyčistit.
Tato verze restaurants byla sesbírána z mnoha zdrojů, přičemž sloupec cuisine_type je plný překlepů a má obsahovat pouze typy kuchyně italian, american a asian. Unikátních kategorií je tolik, že jejich ruční přemapování není praktické – lepší volbou je využít podobnost řetězců.
Předtím ale chceš určit hraniční hodnotu skóre podobnosti. Použij funkci process.extract() z knihovny thefuzz a najdi skóre podobnosti pro nejvzdálenější překlep v každé kategorii.
Toto cvičení je součástí kurzu
Čištění dat v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Import process from thefuzz
____
# Store the unique values of cuisine_type in unique_types
unique_types = ____
# Calculate similarity of 'asian' to all values of unique_types
print(process.____('____', ____, limit = len(____)))
# Calculate similarity of 'american' to all values of unique_types
print(____('____', ____, ____))
# Calculate similarity of 'italian' to all values of unique_types
print(____)