Geração de features

Feature Engineering com PySpark

John Hogue

Lead Data Scientist

Por que gerar novas features?

Geração

Multiplicando

Somando

Diferenciando

Dividindo

Gráfico do modelo linear: comprimento

Gráfico do modelo linear: largura

Multiplicação

# Creating a new feature, area by multiplying
df = df.withColumn('TSQFT', (df['WIDTH'] * df['LENGTH']))

Gráfico do modelo linear: área

# Sum two columns
df = df.withColumn('TSQFT', (df['SQFTBELOWGROUND'] + df['SQFTABOVEGROUND']))

# Divide two columns
df = df.withColumn('PRICEPERTSQFT', (df['LISTPRICE'] / df['TSQFT']))

# Difference two columns
df = df.withColumn('DAYSONMARKET', datediff('OFFMARKETDATE', 'LISTDATE'))

Automação de features

Imagem futurista

Feature Engineering com PySpark