カットオフポイント
この演習では、本章を通じて restaurants DataFrameを使って作業します。このDataFrameにはさまざまなレストランのデータが含まれています。最終的な目標はレストランの推薦エンジンを作成することですが、まずデータのクリーニングが必要です。
このバージョンの restaurants は多くのソースから収集されており、cuisine_type 列にはタイプミスが多く含まれています。正しい値は italian、american、asian の3種類のみです。ユニークなカテゴリが非常に多いため、手動でマッピングし直すことは現実的ではありません。そこで、文字列の類似度を活用するのが最善の方法です。
その前に、thefuzz の process.extract() 関数を使って、各カテゴリで最もかけ離れたタイプミスの類似度スコアを調べ、カットオフポイントを決めましょう。
この演習はコースの一部です
Pythonによるデータクリーニング
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Import process from thefuzz
____
# Store the unique values of cuisine_type in unique_types
unique_types = ____
# Calculate similarity of 'asian' to all values of unique_types
print(process.____('____', ____, limit = len(____)))
# Calculate similarity of 'american' to all values of unique_types
print(____('____', ____, ____))
# Calculate similarity of 'italian' to all values of unique_types
print(____)