Separe colunas numéricas e categóricas
No último exercício, você explorou as características do conjunto de dados e está pronto para fazer algum pré-processamento. Agora, você vai separar variáveis categóricas e numéricas do DataFrame telco_raw usando um limite personalizado para o número de valores únicos (categóricas vs. numéricas). O módulo pandas já foi carregado como pd.
O conjunto de dados bruto de churn em telecom, telco_raw, já foi carregado como um DataFrame do pandas. Você pode se familiarizar com o conjunto explorando-o no console.
Este exercício faz parte do curso
Machine Learning para Marketing em Python
Instruções do exercício
- Armazene os nomes das colunas
customerIDeChurn. - Atribua a
categoricalos nomes das colunas que têm menos de 5 valores únicos. - Remova
targetda lista. - Atribua a
numericaltodos os nomes de colunas que não estão emcustid,targetecategorical.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Store customerID and Churn column names
custid = ['___']
target = ['___']
# Store categorical column names
categorical = telco_raw.___()[telco_raw.nunique() < ___].keys().tolist()
# Remove target from the list of categorical variables
categorical.remove(___[0])
# Store numerical column names
numerical = [x for x in telco_raw.___ if x not in custid + ___ + categorical]