Détecter les valeurs aberrantes avec des tableaux croisés
Vous devez maintenant repérer et retirer les valeurs aberrantes qui pourraient se trouver dans les données. Pour cet exercice, vous pouvez utiliser des tableaux croisés et des fonctions d'agrégation.
Examinez la colonne person_emp_length. Vous avez déjà utilisé l'argument aggfunc = 'mean' pour voir la moyenne d'une colonne numérique, mais pour détecter les valeurs aberrantes, vous pouvez utiliser d'autres fonctions comme min et max.
Il n'est probablement pas possible qu'une personne ait une ancienneté d'emploi inférieure à 0 ou supérieure à 60. Servez-vous des tableaux croisés pour vérifier les données et voir s'il y a des cas comme ceux-là!
L'ensemble de données cr_loan est chargé dans l'espace de travail.
Cette activité fait partie du cours
Modélisation du risque de crédit en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create the cross table for loan status, home ownership, and the max employment length
print(pd.____(cr_loan[____],cr_loan[____],
values=cr_loan[____], aggfunc=____))