Przetwarzanie ocenzurowanych danych

Jesteś biologiem morskim badającym długość życia delfinów obrotowych. Masz dostęp do danych historycznych zawierających daty urodzenia i śmierci tych zwierząt. Część oznakowanych delfinów migrowała na inny obszar wód i laboratorium straciło z nimi kontakt. Część delfinów to migranci z innej grupy, a ich dokładne daty urodzenia są nieznane. Niektóre delfiny wciąż żyją!

Jeśli data urodzenia to NaN, delfin jest migrantem.
Jeśli data śmierci to NaN, delfin uciekł lub nadal żyje.

Dane przechowywane są w DataFrame o nazwie dolphin_df. Aby utworzyć nową kolumnę observed oznaczającą, czy czas życia delfina jest ocenzurowany, uzupełnij funkcję check_observed odpowiednimi wartościami i użyj metody .apply(), aby zastosować ją do dolphin_df.

pandas i numpy są załadowane odpowiednio jako pd i np.

To ćwiczenie jest częścią kursu

Analiza przeżycia w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz funkcję check_observed, która zwraca 0, jeśli obserwacja jest ocenzurowana, lub 1 w przeciwnym wypadku.
Utwórz kolumnę z flagą cenzurowania o nazwie observed, korzystając z funkcji check_observed.
Wyświetl w konsoli średnią wartość kolumny observed.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create a function to return 1 if observed 0 otherwise
def check_observed(row):
    if pd.isna(row['birth_date']):
        flag = ____
    elif pd.isna(row['death_date']):
        flag = ____
    else:
        flag = ____
    return ____
  
# Create a censorship flag column
dolphin_df[____] = dolphin_df.apply(____, axis=1)

# Print average of observed
print(np.average(____))

Edytuj i uruchom kod