Generazione di feature

Feature Engineering con PySpark

John Hogue

Lead Data Scientist

Perché creare nuove feature?

Generazione

Moltiplicare

Sommare

Fare la differenza

Dividere

Grafico del modello lineare: lunghezza

Grafico del modello lineare: larghezza

Moltiplicazione

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

Grafico del modello lineare: area

# 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'))

Automazione delle feature

Immagine futuristica

Feature Engineering con PySpark