Как выглядят ваши данные? (I)

До этого момента вы сосредоточились на создании новых признаков и устранении проблем в данных. Однако инжиниринг признаков также помогает максимально эффективно использовать уже имеющиеся данные при построении моделей машинного обучения.
Многие алгоритмы предполагают, что данные распределены нормально, или по меньшей мере что все столбцы находятся в одном масштабе. Однако на практике это встречается редко: например, один признак может измеряться в тысячах долларов, а другой — в годах стажа. В этом упражнении вы построите графики, чтобы изучить распределение числовых столбцов в датафрейме so_survey_df, сохранённом в переменной so_numeric_df.