La normalisation min-max avec .transform()
La normalisation min-max est une opération très courante. Elle consiste à remettre à l'échelle la valeur qui nous intéresse en soustrayant la valeur minimale, puis en divisant le résultat par l'écart entre la valeur maximale et la valeur minimale. Par exemple, pour remettre à l'échelle des poids d'étudiant·e·s allant de 160 livres à 200 livres, vous soustrayez 160 du poids de chaque personne, puis vous divisez le résultat par 40 (200 - 160).
Vous allez définir et appliquer la normalisation min-max à toutes les variables numériques des données de restaurant. Vous allez d'abord regrouper les observations selon le moment du repas (Lunch ou Dinner), puis appliquer la normalisation séparément à chaque groupe.
N'oubliez pas que vous pouvez toujours explorer l'ensemble de données et voir les changements dans l'IPython Shell, et consulter le diaporama dans l'onglet Slides.
Cette activité fait partie du cours
Rédiger du code efficace avec pandas
Instructions de l’exercice
- Définissez la normalisation min-max en utilisant la méthode lambda.
- Regroupez les données selon le moment où le repas a eu lieu.
- Appliquez la transformation aux données groupées.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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())