Model bazowy oparty na dacie

Zbudowaliśmy już 3 różne modele bazowe. Dla utrwalenia wiedzy stwórzmy jeszcze kilka kolejnych. Pierwszy model opiera się na zmiennych grupujących. Cena przejazdu może zależeć od pory dnia – na przykład w godzinach szczytu taryfy bywają wyższe.

Twoim celem jest zbudowanie modelu bazowego, który przypisze średnią wartość "fare_amount" dla odpowiedniej godziny. Na razie stworzysz model na podstawie całego zbioru train i wygenerujesz prognozy dla zbioru test.

DataFrame'y train i test są dostępne w twoim środowisku pracy. Kolumna "pickup_datetime" w obu z nich została już przekonwertowana na obiekt datetime.

To ćwiczenie jest częścią kursu

Zwycięstwo w konkursie Kaggle w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Pobierz godzinę z kolumny "pickup_datetime" dla DataFrame'ów train i test.
Oblicz średnią wartość "fare_amount" dla każdej godziny na danych treningowych.
Wygeneruj prognozy dla zbioru test, używając metody map() z biblioteki pandas oraz uzyskanego grupowania.
Zapisz prognozy do pliku.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Get pickup hour from the pickup_datetime column
train['hour'] = train['pickup_datetime'].dt.____
test['hour'] = test['pickup_datetime'].dt.____

# Calculate average fare_amount grouped by pickup hour 
hour_groups = train.____('____')['____'].mean()

# Make predictions on the test set
test['fare_amount'] = test.hour.map(____)

# Write predictions
test[['id','fare_amount']].____('hour_mean_sub.csv', index=False)

Edytuj i uruchom kod