EDA grafy I
Po prozkoumání základních statistik je čas přijít s vlastními hypotézami o závislostech v datech a ověřit je. DataFrame train z taxikářské soutěže máš opět k dispozici ve svém pracovním prostoru.
Začneme bodovým grafem, který znázorní vztah mezi výší jízdného a délkou jízdy. Intuitivně platí: čím delší jízda, tím vyšší cena.
Pro výpočet vzdálenosti v kilometrech mezi dvěma zeměpisnými souřadnicemi použiješ Haversinovu vzdálenost. Výpočet je dostupný prostřednictvím předdefinované funkce haversine_distance(). Tato funkce jako vstup očekává DataFrame train.
Toto cvičení je součástí kurzu
Jak vyhrát soutěž na Kaggle v Pythonu
Pokyny k cvičení
- Vytvoř novou proměnnou "distance_km" jako Haversinovu vzdálenost mezi místem nástupu a výstupu.
- Vykresli bodový graf s "fare_amount" na ose x a "distance_km" na ose y. Bodový graf vykreslíš metodou
scatter()z knihovny matplotlib. - Nastav rozsah vzdálenosti jízdy na 0 až 50 kilometrů, aby se do grafu nezahrnovaly odlehlé hodnoty.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Calculate the ride distance
train['distance_km'] = ____(train)
# Draw a scatterplot
plt.____(x=____[____], y=____[____], alpha=0.5)
plt.xlabel('Fare amount')
plt.ylabel('Distance, km')
plt.title('Fare amount based on the distance')
# Limit on the distance
plt.ylim(0, ____)
plt.show()