La normalisation min-max avec .transform()
Une opération très courante est la normalisation min-max. Elle consiste à remettre à l’échelle la valeur qui nous intéresse en soustrayant la valeur minimale, puis en divisant le résultat par la différence entre la valeur maximale et la valeur minimale. Par exemple, pour remettre à l’échelle des poids d’étudiants allant de 160 à 200 livres, vous soustrayez 160 du poids de chaque étudiant, 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 commencerez par regrouper les enregistrements selon le moment du repas (Lunch ou Dinner), puis vous appliquerez la normalisation séparément à chaque groupe.
N’oubliez pas que vous pouvez toujours explorer le jeu de données et suivre son évolution dans l’IPython Shell, et consulter le diaporama dans l’onglet Slides.
Cet exercice fait partie du cours
Écrire du code efficace avec pandas
Instructions
- Définissez la normalisation min-max à l’aide d’une fonction lambda.
- Regroupez les données selon le moment du repas.
- Appliquez la transformation aux données groupées.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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())