EDAプロット I
基本的な統計量をいくつか確認したら、次はデータの依存関係について仮説を立てて検証していきます。タクシーコンペの train DataFrame は、今回もワークスペースに用意されています。
まずは、運賃と走行距離の関係を見る散布図を作成しましょう。直感的には、走行距離が長いほど料金は高くなります。
2つの地理座標間の距離（km）を得るには Haversine distance を使います。計算は、すでに用意されている haversine_distance() 関数で行えます。この関数は train DataFrame を入力として受け取ります。
この演習はコースの一部です
Pythonで挑むKaggleコンペティション
演習の手順
- ピックアップ地点とドロップオフ地点の Haversine distance を新しい変数 "distance_km" として作成します。
- x 軸に "fareamount"、y 軸に "distancekm" をとった散布図を描きます。散布図の作成には matplotlib の
scatter()メソッドを使います。 - 外れ値のプロットを避けるため、走行距離の範囲を 0〜50 km に制限します。
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。
# Calculate the ride distance
train['distance_km'] = ____(train)
# Draw a scatterplot
plt.____(x=____[____], y=____[____], alpha=0.5)
plt.xlabel('Fare amount')
plt.ylabel('Distance, km')
plt.title('Fare amount based on the distance')
# Limit on the distance
plt.ylim(0, ____)
plt.show()