प्रारंभिक EDA
Python में Kaggle प्रतियोगिता जीतना
Yauhen Babakhin
Kaggle Grandmaster
EDA के लक्ष्य
- डेटा का आकार
- टारगेट वैरिएबल के गुण
- फीचर्स के गुण
- फीचर इंजीनियरिंग के आइडिया बनाएँ
Two sigma connect: रेंटल लिस्टिंग इंक्वायरीज़
समस्या विवरण
अपार्टमेंट रेंटल लिस्टिंग की लोकप्रियता का अनुमान लगाएँ
टारगेट वैरिएबल
interest_level
समस्या प्रकार
3 क्लास वाला क्लासिफिकेशन: 'high', 'medium' और 'low'
मेट्रिक
मल्टी-क्लास लॉगरिदमिक लॉस
EDA. भाग I
# Size of the data
twosigma_train = pd.read_csv('twosigma_train.csv')
print('Train shape:', twosigma_train.shape)
twosigma_test = pd.read_csv('twosigma_test.csv')
print('Test shape:', twosigma_test.shape)
Train shape: (49352, 11)
Test shape: (74659, 10)
EDA. भाग I
print(twosigma_train.columns.tolist())
['id', 'bathrooms', 'bedrooms', 'building_id', 'latitude', 'longitude',
'manager_id', 'price', 'interest_level']
twosigma_train.interest_level.value_counts()
low 34284
medium 11229
high 3839
EDA. भाग I
# Describe the train data
twosigma_train.describe()
bathrooms bedrooms latitude longitude price
count 49352.00000 49352.000000 49352.000000 49352.000000 4.935200e+04
mean 1.21218 1.541640 40.741545 -73.955716 3.830174e+03
std 0.50142 1.115018 0.638535 1.177912 2.206687e+04
min 0.00000 0.000000 0.000000 -118.271000 4.300000e+01
25% 1.00000 1.000000 40.728300 -73.991700 2.500000e+03
50% 1.00000 1.000000 40.751800 -73.977900 3.150000e+03
75% 1.00000 2.000000 40.774300 -73.954800 4.100000e+03
max 10.00000 8.000000 44.883500 0.000000 4.490000e+06
EDA. भाग II
import matplotlib.pyplot as plt
plt.style.use('ggplot')
# Find the median price by the interest level
prices = twosigma_train.groupby('interest_level', as_index=False)['price'].median()
EDA. भाग II
# Draw a barplot fig = plt.figure(figsize=(7, 5)) plt.bar(prices.interest_level, prices.price, width=0.5, alpha=0.8)# Set titles plt.xlabel('Interest level') plt.ylabel('Median price') plt.title('Median listing price across interest level')# Show the plot plt.show()
अभ्यास करते हैं!
Python में Kaggle प्रतियोगिता जीतना
