Min-max-normalisering med .transform()
En mycket vanlig operation är min-max-normalisering. Den går ut på att skala om ett värde genom att subtrahera minimivärdet och sedan dividera resultatet med skillnaden mellan max- och minimivärdet. Till exempel: för att skala om elevers vikter som sträcker sig från 160 till 200 pounds subtraherar du 160 från varje elevs vikt och dividerar resultatet med 40 (200 − 160).
Du ska definiera och tillämpa min-max-normalisering på alla numeriska variabler i restaurangdatan. Börja med att gruppera posterna efter när måltiden ägde rum (Lunch eller Dinner) och tillämpa sedan normaliseringen på varje grupp separat.
Kom ihåg att du alltid kan utforska datamängden och se hur den förändras i IPython Shell, samt läsa slides under fliken Slides.
Den här övningen är en del av kursen
Effektiv kodning med pandas
Övningsinstruktioner
- Definiera min-max-normaliseringen med hjälp av en lambda-funktion.
- Gruppera datan efter när måltiden ägde rum.
- Tillämpa transformationen på den grupperade datan.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Define the min-max transformation
min_max_tr = lambda x: (x - ____) / (____ - x.min())
# Group the data according to the time
restaurant_grouped = restaurant_data.____(____)
# Apply the transformation
restaurant_min_max_group = restaurant_grouped.____(____)
print(restaurant_min_max_group.head())