python | April 03, 2020
[example]
Completion : 0~100 사이의 점수 단위
Time : second(초) 단위,
Count : 일반 개수 단위이처럼 각각 다른 단위와 범위의 값을 가진 점수들을, 통일된 점수로 계산할 수 있도록 바꾼다.
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
scores = pd.DataFrame({
"completion_score" : [rank.completion_score for rank in ranking_list],
"time_score" : [-rank.average_time for rank in ranking_list],
"count_score" : [rank.total_count for rank in ranking_list],
})
scores[ : ] = MinMaxScaler().fit_transform(scores[ : ])한꺼번에 바꿀 수 있도록 모든 data들을 dataframe으로 넣어둔다.
Dataframe을 만들 때에는 column name과 해당하는 값의 list를 dictionary로 넣는다.
{field : [value1, value2, ...]}
기본적으로는 숫자가 클수록 높은 점수를 받게 되는데, time의 경우에는 시간이 짧을수록 높은 점수를 받아야하기 때문이다.
completion_score time_score count_score
0 293.4000 -244.6000 5
1 311.3333 -263.6667 3
2 301.7857 -236.5000 14
3 296.5000 -240.5000 2
4 298.3333 -261.6667 3
.. ... ... ...
107 300.3333 -254.6667 3
108 312.5000 -249.0000 2
109 292.0000 -242.0000 3
110 281.6667 -225.0000 3
111 316.0000 -215.0000 1
[112 rows x 3 columns]MinMaxScaler를 적용하면 0~1 사이의 값으로 변환을 시켜준다.
원래대로라면 전체의 값을 줄 세운 다음 그 안에서 값을 부여해야 하는데, MinMaxScaler를 사용하면 한번에! range가 다른 값들을 정규화 시켜준다.
상대평가로 줄 세울 때 아주 유용하다.
completion_score time_score count_score
0 0.380881 0.463006 0.053333
1 0.493968 0.297688 0.026667
2 0.433761 0.533237 0.173333
3 0.400430 0.498555 0.013333
4 0.411990 0.315029 0.026667
.. ... ... ...
107 0.424602 0.375722 0.026667
108 0.501325 0.424856 0.013333
109 0.372053 0.485549 0.026667
110 0.306891 0.632948 0.026667
111 0.523396 0.719653 0.000000
[112 rows x 3 columns]정규화가 된 각각의 field에 중요도(importance)를 곱하여 100점 만점의 total_score를 만들었다.
그리고 만들어진 다른 DataFrame(rank_table)에 total_score column을 추가한다.
completion_importance, time_importance, count_importance = 50, 30, 20
total_score = (
scores.completion_score * completion_importance
+ scores.time_score * time_importance
+ scores.count_score * count_importance
)
rank_table = pd.DataFrame(ranking_list.values())
rank_table['total_score'] = total_score