Normalización min-max usando .transform()
Una operación muy común es la normalización min-max. Consiste en reescalar nuestro valor de interés restando el valor mínimo y dividiendo el resultado por la diferencia entre el valor máximo y el mínimo. Por ejemplo, para reescalar los datos de peso de estudiantes que van de 160 a 200 libras, restas 160 al peso de cada estudiante y divides el resultado entre 40 (200 - 160).
Vas a definir y aplicar la normalización min-max a todas las variables numéricas en los datos del restaurante. Primero agruparás los registros por el momento en que tuvo lugar la comida (Lunch o Dinner) y luego aplicarás la normalización a cada grupo por separado.
Recuerda que siempre puedes explorar el conjunto de datos y ver cómo cambia en la IPython Shell, y consultar las diapositivas en la pestaña Slides.
Este ejercicio forma parte del curso
Escribir código eficiente con pandas
Instrucciones del ejercicio
- Define la normalización min-max usando el método lambda.
- Agrupa los datos según el momento en que tuvo lugar la comida.
- Aplica la transformación a los datos agrupados.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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())