Görselleştirmeler Kullanma: lmplot

Doğrusal model grafiklerini oluşturmak, değişkenlerin bağımlı değişkenle ilişkisi olup olmadığını görselleştirmemize yardımcı olur. İlişki varsa, analize dahil etmek için iyi adaylardır. İlişki yoksa bu, onları atmamız gerektiği anlamına gelmez; kullanılmadan önce işlememiz veya düzenlememiz (wrangle) gerekebileceği anlamına gelir.

seaborn çalışma alanında alışıldık sns takma adıyla hazır.

Bu egzersiz, kursun bir parçasıdır

PySpark ile Özellik Mühendisliği

Kursa Göz Atın

Egzersiz talimatları

Yüklenmiş df veri kümesini kullanarak select() ile 'SALESCLOSEPRICE' ve 'LIVINGAREA' sütunlarına filtrele.
sample() ile veri çerçevesinin %50'sini örnekle; tekrar seçimi kullanmadığından emin ol ve rastgele tohumunu 42 olarak ayarla.
Spark DataFrame'i toPandas() ile bir pandas.DataFrame()'e dönüştür.
'SALESCLOSEPRICE' bağımlı değişkenin ve 'LIVINGAREA' bağımsız değişkenin olacak şekilde, seaborn lmplot() kullanarak doğrusal bir model grafiği çiz.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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()

Kodu Düzenle ve Çalıştır