Utilizarea vizualizărilor: lmplot

Graficele de model liniar ne ajută să vizualizăm dacă variabilele au relații cu variabila dependentă. Dacă există o relație, acestea sunt candidate bune pentru analiză. Dacă nu există, nu înseamnă că trebuie eliminate – s-ar putea să fie nevoie să le procesăm sau să le transformăm înainte de a le putea folosi.

seaborn este disponibil în spațiul tău de lucru cu aliasul obișnuit sns.

Acest exercițiu face parte din cursul

Feature Engineering cu PySpark

Vezi cursul

Instrucțiuni pentru exercițiu

Folosind setul de date încărcat df, filtrează-l la coloanele 'SALESCLOSEPRICE' și 'LIVINGAREA' cu select().
Eșantionează 50% din DataFrame cu sample(), fără înlocuire și cu seed-ul aleator setat la 42.
Convertește Spark DataFrame-ul într-un pandas.DataFrame() folosind toPandas().
Folosind 'SALESCLOSEPRICE' ca variabilă dependentă și 'LIVINGAREA' ca variabilă independentă, trasează un grafic de model liniar cu lmplot() din seaborn.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Select a the relevant columns and sample
sample_df = df.____([____, ____]).____(____, ____, ____)

# Convert to pandas dataframe
pandas_df = sample_df.____()

# Linear model plot of pandas_df
sns.____(x=____, y=____, data=____)
plt.show()

Editează și rulează codul