Sens de l’évolution

Dans cet exercice, vous allez analyser le lien entre la variable "donations2017min_2016" que vous avez ajoutée à la basetable dans les exercices précédents et la cible, à l’aide d’un predictor insight graph.

Pour vous faciliter la tâche, les méthodes permettant de créer le predictor insight graph sont déjà programmées.

Pour tracer le predictor insight graph d’une variable continue variable dans une basetable, vous pouvez suivre les étapes suivantes :

Discrétisez la variable en n_bins classes :

basetable["variable_disc"] = pd.qcut(basetable["variable"], n_bins)

Construisez la table du predictor insight graph :

pig_table = create_pig_table(basetable, "target","variable_disc")

Tracez le predictor insight graph à partir de cette table :

plot_pig(pig_table,"variable_disc")

Cet exercice fait partie du cours

Analytique prédictive intermédiaire en Python

Afficher le cours

Instructions

Discrétisez la variable d’évolution donations_2017_min_2016 en 5 classes et ajoutez-la à la basetable.
Créez la table du predictor insight graph pour cette variable.
Tracez le predictor insight graph de cette variable.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Discretize the variable in 5 bins and add to the basetable
basetable["donations_2017_min_2016_disc"] = pd.____(____["____"], ____)

# Construct the predictor insight graph table
pig_table = ____(____, "target", "____")

# Plot the predictor insight graph
plot_pig(____, "____")

Modifier et exécuter le code