Min-Max-Normalisierung mit .transform()
Eine sehr gängige Operation ist die Min-Max-Normalisierung. Dabei wird der interessierende Wert umskaliert, indem du den Minimalwert abziehst und das Ergebnis durch die Differenz zwischen Maximal- und Minimalwert teilst. Um beispielsweise das Gewicht von Schülern von 160 Pfund bis 200 Pfund umzuskalieren, ziehst du von jedem Gewicht 160 ab und teilst das Ergebnis durch 40 (200 - 160).
Du wirst die Min-Max-Normalisierung definieren und auf alle numerischen Variablen in den Restaurantdaten anwenden. Zuerst gruppierst du die Einträge nach der Zeit der Mahlzeit (Lunch oder Dinner) und wendest dann die Normalisierung getrennt auf jede Gruppe an.
Denk daran: Du kannst den Datensatz jederzeit in der IPython-Shell erkunden und verfolgen, wie er sich verändert, und in der Registerkarte Folien auf die Folien zurückgreifen.
Diese Übung ist Teil des Kurses
Effizient mit pandas programmieren
Anleitung zur Übung
- Definiere die Min-Max-Normalisierung mithilfe einer lambda-Funktion.
- Gruppiere die Daten nach der Zeit, zu der die Mahlzeit stattfand.
- Wende die Transformation auf die gruppierten Daten an.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Define the min-max transformation
min_max_tr = lambda x: (x - ____) / (____ - x.min())
# Group the data according to the time
restaurant_grouped = restaurant_data.____(____)
# Apply the transformation
restaurant_min_max_group = restaurant_grouped.____(____)
print(restaurant_min_max_group.head())