Diferencias

Vamos a explorar cómo generar variables a partir de las existentes. En el medio oeste de EE. UU., muchas viviendas unifamiliares tienen terreno adicional alrededor como zona verde. En este ejemplo, crearás una nueva característica llamada 'YARD_SIZE' y comprobarás si está correlacionada con nuestra variable objetivo.

Este ejercicio forma parte del curso

Ingeniería de características con PySpark

Ver curso

Instrucciones del ejercicio

Crea una nueva columna con withColumn() llamada LOT_SIZE_SQFT y convierte ACRES a pies cuadrados multiplicando por acres_to_sqfeet, el factor de conversión.
Crea otra columna nueva llamada YARD_SIZE restando FOUNDATIONSIZE de LOT_SIZE_SQFT.
Ejecuta corr() para cada una de las variables independientes YARD_SIZE, FOUNDATIONSIZE, LOT_SIZE_SQFT frente a la variable dependiente SALESCLOSEPRICE. ¿La nueva característica muestra una correlación más fuerte que cualquiera de sus componentes?

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Lot size in square feet
acres_to_sqfeet = 43560
df = df.____(____, df[____] * ____)

# Create new column YARD_SIZE
df = df.____(____, df[____] - df[____])

# Corr of ACRES vs SALESCLOSEPRICE
print("Corr of ACRES vs SALESCLOSEPRICE: " + str(df.____(____, ____)))
# Corr of FOUNDATIONSIZE vs SALESCLOSEPRICE
print("Corr of FOUNDATIONSIZE vs SALESCLOSEPRICE: " + str(df.____(____, ____)))
# Corr of YARD_SIZE vs SALESCLOSEPRICE
print("Corr of YARD_SIZE vs SALESCLOSEPRICE: " + str(df.____(____, ____)))

Editar y ejecutar código