Générer de nouvelles fonctionnalités

Analyse de données exploratoires en Python

George Boorman

Curriculum Manager, DataCamp

Corrélation

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

![Carte thermique illustrant le coefficient de corrélation de Pearson de 0,54 entre le prix et la durée (https://assets.datacamp.com/production/repositories/6180/datasets/48e18876c65ee33da2b4fb15d60460aade3057d8/planes_heatmap_price_duration.png = 54)

Affichage des types de données

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

Nombre total d'escales

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

Nettoyage du nombre total d’escales

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)

Corrélation

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

![Carte thermique indiquant un coefficient de corrélation de Pearson de 0,62 entre le prix et le nombre total d'escales et un coefficient de corrélation de 0,74 entre la durée et le nombre total d'escales] (https://assets.datacamp.com/production/repositories/6180/datasets/1010e2aca93f5265abb20d33436cc75eb59e6cac/planes_heatmap_with_total_stops.png = 54)

Dates

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

Extraction du mois et du jour de la semaine

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

Heures de départ et d'arrivée

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

Corrélation

Carte thermique indiquant l'absence de relation entre les attributs de date/heure et le prix

Création de catégories

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

Plage	Type de billet
5228	Économie
5228 <-> 8355	Économique Premium
8335 <-> 12373	Classe affaires
> 12373	Première classe

Statistiques descriptives

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

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

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

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

Étiquettes et barres

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

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

pd.cut()

Appeler pd-dot-cut

planes["Price_Category"] = pd.cut(

pd.cut()

Transmettre les données

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

pd.cut()

Définir les étiquettes

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

pd.cut()

Veuillez fournir les barres.

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

Catégories de prix

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

Catégorie de prix par compagnie aérienne

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

Catégorie de prix par compagnie aérienne

Graphique indiquant le nombre de vols par compagnie aérienne dans différentes catégories de prix, Jet Airways ayant le plus grand nombre de billets en première classe

Passons à la pratique !

Analyse de données exploratoires en Python