Diferențe

Să explorăm generarea de noi caracteristici pe baza celor existente. În zona de mijloc a SUA, multe case unifamiliale au teren în jurul lor, destinat spațiilor verzi. În acest exercițiu vei crea o nouă caracteristică numită 'YARD_SIZE' și vei verifica dacă aceasta este corelată cu variabila noastră de rezultat.

Acest exercițiu face parte din cursul

Feature Engineering cu PySpark

Vezi cursul

Instrucțiuni pentru exercițiu

Creează o coloană nouă folosind withColumn(), numită LOT_SIZE_SQFT, și convertește ACRES în picioare pătrate înmulțind cu acres_to_sqfeet, factorul de conversie.
Creează o altă coloană nouă numită YARD_SIZE, scăzând FOUNDATIONSIZE din LOT_SIZE_SQFT.
Rulează corr() pentru fiecare dintre variabilele independente YARD_SIZE, FOUNDATIONSIZE, LOT_SIZE_SQFT față de variabila dependentă SALESCLOSEPRICE. Noua caracteristică prezintă o corelație mai puternică decât oricare dintre componentele sale?

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Lot size in square feet
acres_to_sqfeet = 43560
df = df.____(____, df[____] * ____)

# Create new column YARD_SIZE
df = df.____(____, df[____] - df[____])

# Corr of ACRES vs SALESCLOSEPRICE
print("Corr of ACRES vs SALESCLOSEPRICE: " + str(df.____(____, ____)))
# Corr of FOUNDATIONSIZE vs SALESCLOSEPRICE
print("Corr of FOUNDATIONSIZE vs SALESCLOSEPRICE: " + str(df.____(____, ____)))
# Corr of YARD_SIZE vs SALESCLOSEPRICE
print("Corr of YARD_SIZE vs SALESCLOSEPRICE: " + str(df.____(____, ____)))

Editează și rulează codul