Générer de nouvelles caractéristiques

Analyse exploratoire de données en Python

George Boorman

Curriculum Manager, DataCamp

Corrélation

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

Carte thermique montrant un coefficient de corrélation de Pearson de 0,54 entre Price et Duration

Afficher les 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 d'escales total

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

Nettoyer le nombre 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 montrant une corrélation de Pearson de 0,62 entre Price et Total Stops et de 0,74 entre Duration et Total Stops

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

Extraire le mois et le jour de 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 ne montrant aucun lien entre les attributs datetime et le prix

Créer des 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	Economy
> 5228 <= 8355	Premium Economy
> 8335 <= 12373	Business Class
> 12373	First Class

Statistiques descriptives

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

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

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

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

Libellés et classes (bins)

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

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

pd.cut()

Appeler pd-point-cut

planes["Price_Category"] = pd.cut(

pd.cut()

Passer les données

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

pd.cut()

Définir les libellés

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

pd.cut()

Fournir les classes (bins)

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 ligne aérienne

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

Catégorie de prix par ligne aérienne

Diagramme à barres montrant le nombre de vols par ligne aérienne selon les catégories de prix, Jet Airways ayant le plus de billets First Class

Passons à la pratique !

Analyse exploratoire de données en Python