Un appel manqué

Vous avez terminé de remanier votre jeu de données churn dans les exercices précédents. Il est maintenant prêt à être utilisé. Vous vous souvenez qu’un détail a attiré votre attention. Vous êtes certain d’avoir vu un motif clair dans les données.

Avant d’ajuster un modèle de classification, vous décidez de faire quelque chose de plus simple. Vous voulez voir ce que vous pouvez encore apprendre à partir des données. Vous allez remodeler vos données en désempilant des niveaux, mais vous savez que ce processus va générer des valeurs manquantes qu’il faudra traiter.

Le DataFrame churn contient différentes caractéristiques de clients situés à Los Angeles et à New York, et il est à votre disposition. Pensez à l’examiner dans la console !

Cet exercice fait partie du cours

Reconfigurer les données avec pandas

Afficher le cours

Instructions

Remodelez le DataFrame churn en désempilant le niveau nommé churn, en remplissant les valeurs manquantes avec zéro.
Triez le DataFrame churn par la colonne voice_mail_plan en ordre décroissant, puis par la colonne international_plan en ordre croissant.
Affichez le DataFrame final churn_sorted.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Unstack churn level and fill missing values with zero
churn = ____.____(level=____, ____=____)

# Sort by descending voice mail plan and ascending international plan
churn_sorted = churn.____(____=[____, ____], 
                          ____=[____, ____])

# Print final DataFrame and observe pattern
print(____)

Modifier et exécuter le code