# Workshop 2 – Feature Engineering & Datenaufbereitung

## Aufgabenstellung

Untersuchung des Melbourne Housing Datasets aus ML-Perspektive.
Erste Empfehlungen zur Datenaufbereitung formulieren.

### Zu untersuchende Punkte

- **Ungeeignete Variablen** identifizieren (von vornherein nicht für ML brauchbar)
- **Missing Values** – pro Variable geeignete Strategie wählen
- **Nicht-numerische Variablen** – passende Encoding-Strategie wählen
- **Anomalien** entdecken, die bereinigt werden müssen (Outlier, Inkonsistenzen, Duplikate)
- **Empfehlungen** zur Datenaufbereitung formulieren

### Zeitrahmen

90 Minuten

## Hilfsmittel der Dozentin

- `WS 02 Feature Engineering Exploration Overview.ipynb`
  – ermittelt Kennwerte der Variablen in einem DataFrame und stellt diese in einer Excel-Tabelle zusammen
- `pandas_profiling_melb_data.html` – vorgenerierter Profiling-Report

## Vorgehen

1. **Profiling-Report sichten** (ydata-profiling) für schnellen Überblick
2. **Variablen filtern** – ungeeignete Spalten markieren (z.B. IDs, Freitextfelder, zu hohe Kardinalität)
3. **Missing Values analysieren** – Anteil pro Spalte, Muster (MCAR / MAR / MNAR)
4. **Kategoriale Variablen** – Strategie pro Spalte festlegen
5. **Anomalien suchen** – Outlier (Boxplots, z-Score, IQR), inkonsistente Werte, Duplikate
6. **Empfehlungen dokumentieren** – in der Workshop-1-Tabelle ergänzen

## Theorie-Bausteine

### Missing-Value-Strategien

| Strategie | Wann geeignet |
|---|---|
| Zeile löschen | wenige Missings, MCAR |
| Spalte löschen | sehr hoher Missing-Anteil (>50%), wenig Information |
| Mean / Median imputieren | numerisch, symmetrisch / schief verteilt |
| Mode imputieren | kategorial |
| Konstanter Wert (z.B. "Unknown", 0) | kategorial mit Bedeutung "fehlt" |
| KNN / Iterative Imputation | komplexere Muster, mehr Aufwand |
| Indikator-Spalte | "fehlt" selbst ist Information (MNAR) |

### Missing-Value-Typen (Rubin)

- **MCAR** – Missing Completely At Random: Fehlen unabhängig von allem
- **MAR** – Missing At Random: Fehlen erklärbar durch andere beobachtete Variablen
- **MNAR** – Missing Not At Random: Fehlen hängt vom fehlenden Wert selbst ab

### Encoding-Strategien für kategoriale Variablen

| Strategie | Wann geeignet |
|---|---|
| **Label-Encoding** | ordinal mit klarer Reihenfolge |
| **One-Hot-Encoding** | nominal, wenige Kategorien (<~15) |
| **Target-Encoding** | nominal, hohe Kardinalität, Vorsicht: Leakage |
| **Frequency-Encoding** | hohe Kardinalität, einfach |
| **Binary-Encoding** | hohe Kardinalität, weniger Spalten als One-Hot |
| **Embeddings** | sehr hohe Kardinalität, Deep Learning |

### Outlier-Detection

- Boxplot / IQR-Regel (1.5 × IQR)
- z-Score (|z| > 3)
- Visuell via Histogramm / Scatter
- Domain-Wissen (z.B. negativer Preis, Baujahr 1196 statt 1996)

## Struktur

```
.
├── devenv.nix
├── devenv.lock
├── devenv.yaml
├── data/
│   └── melb_data.csv
└── solution/
    ├── 01_skalenniveaus.md
```