Una chiamata persa

Hai terminato il reshaping del tuo insieme di dati churn negli esercizi precedenti. Ora è pronto per essere utilizzato. Ricordi che qualcosa ti aveva colpito: sei sicuro di aver visto un chiaro pattern nei dati.

Prima di adattare un modello di classificazione, decidi di fare qualcosa di più semplice. Vuoi capire cos'altro puoi imparare dai dati. Rimodellerai i dati facendo unstack dei livelli, ma sai che questo processo genererà valori mancanti che dovrai gestire.

Il DataFrame churn contiene diverse caratteristiche dei clienti situati a Los Angeles e New York, ed è a tua disposizione. Assicurati di esaminarlo nella console!

Questo esercizio fa parte del corso

Rimodellare i dati con pandas

Visualizza il corso

Istruzioni dell'esercizio

Rimodella il DataFrame churn facendo unstack del livello chiamato churn, riempiendo i valori mancanti con zero.
Ordina il DataFrame churn per la colonna voice_mail_plan in ordine decrescente, poi per la colonna international_plan in ordine crescente.
Stampa il DataFrame finale churn_sorted.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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(____)

Modifica ed esegui il codice