Laboratorio: Preparazione Dati in Python

Benvenuto nel laboratorio pratico dell’Unità 1. Qui imparerai a preparare un dataset in Python, isolando le caratteristiche predittive (feature) dall’etichetta finale (target) e suddividendo i dati per l’addestramento e la valutazione del modello.

---

1. Configurazione dell’Ambiente e Esecuzione Offline

Ti consigliamo di svolgere questo laboratorio in locale sul tuo computer. Puoi scaricare direttamente il Notebook Jupyter fittizio per avviarlo in Visual Studio Code:

• Scarica il Notebook: unita1_introduzione_dati.ipynb

Assicurati di aver installato le librerie necessarie sul tuo terminale prima di procedere:

pip install pandas scikit-learn

---

2. Esecuzione del Codice Passo dopo Passo

Passo A: Caricamento e Ispezione dei Dati

Creiamo un piccolo dataset fittizio contenente dati scolastici relativi a ore di studio, frequenza e superamento o meno dell’esame.

import pandas as pd

# Creiamo un piccolo dataset fittizio di studenti
data = {
    'Ore_Studio': [12, 5, 15, 8, 20, 4, 18, 10],
    'Presenze_Percentuale': [90, 60, 95, 70, 100, 50, 90, 80],
    'Superato': [1, 0, 1, 0, 1, 0, 1, 1]  # Target (1=Sì, 0=No)
}

df = pd.DataFrame(data)
print(df)

• pd.DataFrame(data): Converte un dizionario Python in una tabella organizzata a righe e colonne (DataFrame), la struttura standard per manipolare dati.

Passo B: Isolare Feature ($X$) e Target ($y$)

Separiamo le caratteristiche in ingresso ($X$) dall’etichetta corretta ($y$) che il modello dovrà imparare a indovinare.

# X contiene tutte le colonne tranne 'Superato'
X = df[['Ore_Studio', 'Presenze_Percentuale']]

# y contiene solo la colonna 'Superato'
y = df['Superato']

print("Matrice delle Feature (X):")
print(X)
print("\nTarget (y):", list(y))

• df[['colonna1', 'colonna2']]: Estrae una matrice bidimensionale (due parentesi quadre) contenente solo le feature.
• df['colonna']: Estrae un vettore monodimensionale (una parentesi quadra) contenente l’etichetta target.

Passo C: Suddivisione in Training Set e Test Set

Per valutare in modo neutrale il modello, dobbiamo testarlo su dati che non ha mai visto durante l’addestramento.

from sklearn.model_selection import train_test_split

# Dividiamo i dati: l'80% va in training e il 20% in test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

print(f"Dataset originale: {len(X)} righe")
print(f"Train set: {len(X_train)} righe")
print(f"Test set: {len(X_test)} righe")

• train_test_split: Suddivide i record a caso. test_size=0.2 indica che il 20% dei campioni va nel Test Set.
• random_state=42: Blocca la casualità dell’estrazione per garantire la riproducibilità dei risultati ad ogni esecuzione.

Visualizza il codice completo (pronto da copiare ed eseguire)

import pandas as pd
from sklearn.model_selection import train_test_split

# 1. Creazione dataset
data = {
    'Ore_Studio': [12, 5, 15, 8, 20, 4, 18, 10],
    'Presenze_Percentuale': [90, 60, 95, 70, 100, 50, 90, 80],
    'Superato': [1, 0, 1, 0, 1, 0, 1, 1]
}
df = pd.DataFrame(data)

# 2. Separazione Feature e Target
X = df[['Ore_Studio', 'Presenze_Percentuale']]
y = df['Superato']

# 3. Splitting Train/Test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

print(f"Dimensioni del Train Set: {X_train.shape}")
print(f"Dimensioni del Test Set:  {X_test.shape}")

---

3. Coding Challenges

Mettiti alla prova estendendo o completando il codice scritto in questo laboratorio.

Challenge 1: Completamento dello split da file CSV

• Task: Completa il seguente frammento di codice in modo che carichi un ipotetico file CSV "studenti.csv", isoli come feature le colonne 'ore_studio' e 'media_voti', e infine divida il dataset destinando il 30% dei dati al test set.

import pandas as pd
from sklearn.model_selection import train_test_split

# A. Carica il CSV
df = pd.read_csv("studenti.csv")

# B. Separa feature (X) e target (y)
X = df[['ore_studio', 'media_voti']]
y = df['___(1)___']

# C. Esegui la suddivisione
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=___(2)___, random_state=42)

Visualizza la risoluzione

Risoluzione:

• ___(1)___ deve essere sostituito con il nome della colonna target, ad esempio 'superato'.
• ___(2)___ deve essere sostituito con la frazione decimale 0.3 (che corrisponde al 30% di dati riservati al test set).

---

Challenge 2: Ispezione delle dimensioni delle matrici (Shape)

• Task: Modifica il codice del laboratorio stampando a schermo la proprietà .shape di Pandas delle quattro variabili risultanti dallo split (X_train, X_test, y_train, y_test).
• Domanda: Quali dimensioni ottieni? Spiega il significato dei due numeri restituiti dalla proprietà .shape.

Visualizza la risoluzione e il codice

Codice:

print("Shape X_train:", X_train.shape)
print("Shape X_test: ", X_test.shape)
print("Shape y_train:", y_train.shape)
print("Shape y_test: ", y_test.shape)

Risultati attesi:

Shape X_train: (6, 2)
Shape X_test:  (2, 2)
Shape y_train: (6,)
Shape y_test:  (2,)

Spiegazione: La proprietà .shape restituisce una tupla che rappresenta la dimensionalità della variabile:

• Per X_train, (6, 2) significa che ci sono 6 righe (campioni) e 2 colonne (le feature 'Ore_Studio' e 'Presenze_Percentuale').
• Per y_train, (6,) indica un vettore monodimensionale di 6 elementi (le etichette target corrispondenti ai 6 campioni di train), senza colonne aggiuntive.