Min–max-normalisatie met .transform()
Een veelvoorkomende bewerking is de min–max-normalisatie. Daarbij herschaal je de waarde van interesse door de minimumwaarde af te trekken en het resultaat te delen door het verschil tussen de maximum- en minimumwaarde. Om bijvoorbeeld het gewicht van studenten te herschalen van 160 tot 200 pond, trek je 160 af van ieders gewicht en deel je het resultaat door 40 (200 - 160).
Je gaat de min–max-normalisatie definiëren en toepassen op alle numerieke variabelen in de restaurantgegevens. Je groepeert eerst de rijen op het tijdstip van de maaltijd (Lunch of Dinner) en past daarna de normalisatie per groep toe.
Vergeet niet dat je de gegevensset altijd kunt verkennen en zien hoe die verandert in de IPython-shell, en dat je de dia's kunt raadplegen op het tabblad Slides.
Deze oefening maakt deel uit van de cursus
Efficiënte code schrijven met pandas
Oefeninstructies
- Definieer de min–max-normalisatie met de lambda-methode.
- Groepeer de gegevens op het tijdstip van de maaltijd.
- Pas de transformatie toe op de gegroepeerde gegevens.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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())