Generarea caracteristicilor

Feature Engineering cu PySpark

John Hogue

Lead Data Scientist

De ce să generăm caracteristici noi?

Generare

Înmulțire

Sumare

Scădere

Împărțire

Grafic model liniar - lungime

Grafic model liniar - lățime

Înmulțire

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

Grafic model liniar - suprafață

# 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'))

Automatizarea caracteristicilor

Imagine futuristă

Feature Engineering cu PySpark