Veriyi Ayarlama

PySpark ile Özellik Mühendisliği

John Hogue

Lead Data Scientist, General Mills

Neden Veriyi Dönüştürürüz?

Dönüşüm

MinMax Ölçekleme Nedir

Min Max Ölçekleme

Minmax Ölçekleme

# min ve max değerleri tanımla ve topla
max_days = df.agg({'DAYSONMARKET': 'max'}).collect()[0][0]
min_days = df.agg({'DAYSONMARKET': 'min'}).collect()[0][0]

# ölçeklenen veriye göre yeni bir sütun oluştur
df = df.withColumn("scaled_days", 
                  (df['DAYSONMARKET'] - min_days) / (max_days - min_days))

df[['scaled_days']].show(5)

+--------------------+
|         scaled_days|
+--------------------+
|0.044444444444444446|
|0.017777777777777778|
| 0.12444444444444444|
| 0.08444444444444445|
| 0.09333333333333334|
+--------------------+
only showing top 5 rows

Standartlaştırma Nedir?

Veriyi standart normal dağılıma dönüştür

z = (x - μ)/ σ
Ortalama, μ = 0
Standart sapma, σ = 1

Standartlaştırma

mean_days = df.agg({'DAYSONMARKET': 'mean'}).collect()[0][0]
stddev_days = df.agg({'DAYSONMARKET': 'stddev'}).collect()[0][0]

# Ölçeklenmiş veriden yeni bir sütun oluştur
df = df.withColumn("ztrans_days", 
                  (df['DAYSONMARKET'] - mean_days) / stddev_days)

df.agg({'ztrans_days': 'mean'}).collect()

[Row(avg(ztrans_days)=-3.6568525985103407e-16)]

df.agg({'ztrans_days': 'stddev'}).collect()

[Row(stddev(ztrans_days)=1.0000000000000009)]

Log Ölçekleme Nedir

Ölçeklenmemiş dağılım

Ham Dağılım Grafiği

Log-ölçekli dağılım

Log Ölçekli Dağılım Grafiği

Log Ölçekleme

# log fonksiyonunu içe aktar
from pyspark.sql.functions import log

# SALESCLOSEPRICE'in log'unu yeniden hesapla
df = df.withColumn('log_SalesClosePrice', log(df['SALESCLOSEPRICE']))

Hadi pratik yapalım!

PySpark ile Özellik Mühendisliği