Generar nuevos features

Análisis exploratorio de datos en Python

George Boorman

Curriculum Manager, DataCamp

Correlación

sns.heatmap(planes.corr(numeric_only=True), annot=True)
plt.show()

Mapa de calor que muestra un coeficiente de correlación de Pearson de 0,54 entre el precio y la duración

Visualización de tipos de datos

print(planes.dtypes)

Airline                    object
Date_of_Journey    datetime64[ns]
Source                     object
Destination                object
Route                      object
Dep_Time           datetime64[ns]
Arrival_Time       datetime64[ns]
Duration                  float64
Total_Stops                object
Additional_Info            object
Price                     float64
dtype: object

Paradas totales

print(planes["Total_Stops"].value_counts())

1 stop      4107
non-stop    2584
2 stops     1127
3 stops       29
4 stops        1
Name: Total_Stops, dtype: int64

Borrar las paradas totales

planes["Total_Stops"] = planes["Total_Stops"].str.replace(" stops", "")

planes["Total_Stops"] = planes["Total_Stops"].str.replace(" stop", "")

planes["Total_Stops"] = planes["Total_Stops"].str.replace("non-stop", "0")

planes["Total_Stops"] = planes["Total_Stops"].astype(int)

Correlación

sns.heatmap(planes.corr(numeric_only=True), annot=True)
plt.show()

Mapa de calor que muestra un coeficiente de correlación de Pearson de 0,62 entre el precio y el total de paradas, y una correlación de 0,74 entre la duración y el total de paradas

Fechas

print(planes.dtypes)

Airline                    object
Date_of_Journey    datetime64[ns]
Source                     object
Destination                object
Route                      object
Dep_Time           datetime64[ns]
Arrival_Time       datetime64[ns]
Duration                  float64
Total_Stops                 int64
Additional_Info            object
Price                     float64
dtype: object

Obtener el mes y el día de la semana

planes["month"] = planes["Date_of_Journey"].dt.month

planes["weekday"] = planes["Date_of_Journey"].dt.weekday

print(planes[["month", "weekday", "Date_of_Journey"]].head())

   month  weekday   Date_of_Journey
0      9        4        2019-09-06
1     12        3        2019-12-05
2      1        3        2019-01-03
3      6        0        2019-06-24
4     12        1        2019-12-03

Horarios de salida y llegada

planes["Dep_Hour"] = planes["Dep_Time"].dt.hour
planes["Arrival_Hour"] = planes["Arrival_Time"].dt.hour

Correlación

Mapa de calor que muestra que no existe relación entre los atributos de fecha y hora y el precio

Crear categorías

print(planes["Price"].describe())

count     7848.000000
mean      9035.413609
std       4429.822081
min       1759.000000
25%       5228.000000
50%       8355.000000
75%      12373.000000
max      54826.000000
Name: Price, dtype: float64

Rango	Tipo de ticket
<= 5228	Economy
> 5228 <= 8355	Premium Economy
> 8335 <= 12373	Business Class
> 12373	First Class

Estadística descriptiva

twenty_fifth = planes["Price"].quantile(0.25)

median = planes["Price"].median()

seventy_fifth = planes["Price"].quantile(0.75)

maximum = planes["Price"].max()

Etiquetas y bins

labels = ["Economy", "Premium Economy", "Business Class", "First Class"]

bins = [0, twenty_fifth, median, seventy_fifth, maximum]

pd.cut()

Llama a pd-punto-cut

planes["Price_Category"] = pd.cut(

pd.cut()

Pasa los datos

planes["Price_Category"] = pd.cut(planes["Price"],

pd.cut()

Establece las etiquetas

planes["Price_Category"] = pd.cut(planes["Price"],
                                  labels=labels,

pd.cut()

Proporciona los bins

planes["Price_Category"] = pd.cut(planes["Price"],
                                  labels=labels,
                                  bins=bins)

Categorías de precios

print(planes[["Price","Price_Category"]].head())

     Price   Price_Category
0  13882.0      First Class
1   6218.0  Premium Economy
2  13302.0      First Class
3   3873.0          Economy
4  11087.0   Business Class

Categoría de precios por aerolínea

sns.countplot(data=planes, x="Airline", hue="Price_Category")
plt.show()

Categoría de precios por aerolínea

Gráfico de recuento que muestra el número de vuelos por aerolínea en diferentes categorías de precios, donde Jet Airways tiene el mayor número de billetes en primera clase

¡Vamos a practicar!

Análisis exploratorio de datos en Python