Visualiseer de genormaliseerde variabelen
Goed gedaan! Nu ga je de genormaliseerde en ont-scheve variabelen plotten om het verschil in de verdeling én het bereik van de waarden te zien. De datamart_normalized-gegevensset uit de vorige oefening is geladen.
De aanroep plt.subplot(...) vóór de seaborn-functie laat je meerdere subplots in één figuur tekenen; je hoeft hier niets aan te veranderen.
De bibliotheken seaborn en matplotlib.pyplot zijn respectievelijk als sns en plt geladen. Verken gerust datamart_normalized in de console.
Deze oefening maakt deel uit van de cursus
Klantsegmentatie in Python
Oefeninstructies
- Plot de verdeling van genormaliseerde
Recency. - Plot de verdeling van genormaliseerde
Frequency. - Plot de verdeling van genormaliseerde
MonetaryValue. - Laat de plot zien.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Plot recency distribution
plt.subplot(3, 1, 1); ____.distplot(____['Recency'])
# Plot frequency distribution
plt.subplot(3, 1, 2); ____.____(____['Frequency'])
# Plot monetary value distribution
plt.subplot(3, 1, 3); ____.____(____['MonetaryValue'])
# Show the plot
plt.____()