Grafice EDA I
După ce ai generat câteva statistici de bază, e momentul să formulezi și să validezi câteva ipoteze despre dependențele din date. DataFrame-ul train din competiția de taximetrie este deja disponibil în spațiul tău de lucru.
Pentru început, să creăm un scatterplot care să ilustreze relația dintre tariful cursei și distanța parcursă. Intuitiv, cu cât cursa este mai lungă, cu atât prețul este mai mare.
Pentru a calcula distanța în kilometri dintre două coordonate geografice, vei folosi distanța Haversine. Calculul este disponibil prin funcția haversine_distance(), deja definită pentru tine. Funcția primește ca intrare DataFrame-ul train.
Acest exercițiu face parte din cursul
Câștigarea unei competiții Kaggle în Python
Instrucțiuni pentru exercițiu
- Creează o nouă variabilă „distance_km" ca distanță Haversine dintre punctul de preluare și cel de destinație.
- Trasează un scatterplot cu "fare_amount" pe axa x și "distance_km" pe axa y. Pentru a desena un scatterplot, folosește metoda
scatter()din matplotlib. - Setează o limită a distanței cursei între 0 și 50 de kilometri, pentru a evita reprezentarea valorilor extreme.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Calculate the ride distance
train['distance_km'] = ____(train)
# Draw a scatterplot
plt.____(x=____[____], y=____[____], alpha=0.5)
plt.xlabel('Fare amount')
plt.ylabel('Distance, km')
plt.title('Fare amount based on the distance')
# Limit on the distance
plt.ylim(0, ____)
plt.show()