# Workshop 3 Feature Engineering: Melbourne Housing Dataset

Aufbereitung des **Melbourne Housing Datasets** für Supervised Learning, gemäss
den in Workshop 2 erarbeiteten und konsolidierten Empfehlungen.

- **Input:** `data/melb_data.csv` (Rohdaten)
- **Output:** `data/melb_data_prep.csv` (aufbereitet)
- **Pipeline:** `src/prepare.py`

Die Empfehlungen stammen aus der EDA in Workshop 2. Dieses README ist die
einzige Quelle der Wahrheit für die anzuwendenden Transformationen, das
ursprüngliche `WS_03_Empfehlungen.xlsx` muss nicht geöffnet werden.

## Aufgabenstellung

Das Dataset wurde in Workshop 2 mit Sicht auf Machine Learning untersucht.
Die daraus abgeleiteten Empfehlungen (siehe unten) werden hier in einer
deterministischen Pipeline `CSV rein → CSV raus` implementiert. Es findet
keine neue Exploration statt, die Entscheidungen sind bereits getroffen.

## Drehbuch (Transformationsliste)

### 1. Data Frame

| #   | Transformation | Details |
|-----|----------------|---------|
| 1.1 | Beobachtungen nach Bedingung entfernen | `Price >= 8000000`; `YearBuilt == 1196` |
| 1.2 | Duplikate entfernen | kein Bedarf |
| 1.3 | Fragwürdige Variablen entfernen | `Unnamed: 0`, `Suburb`, `Address`, `SellerG`, `Postcode`, `Bedroom2` |
| 1.4 | NAs ersetzen | kategoriale: Modalwert · numerische: Median |

### 2. Kategoriale Variablen

| #   | Transformation | Details |
|-----|----------------|---------|
| 2.1 | Kardinalität reduzieren | `Regionname`: `* Victoria` → `Victoria` · `Method`: `SA` → `S` |
| 2.2 | Faktorisieren | `CouncilArea` |
| 2.3 | Ordinal encodieren | `Type`: `h, u, t` → `1, 2, 3` |
| 2.4 | Binär encodieren | kein Bedarf |
| 2.5 | Nominal encodieren (One-Hot) | alle verbleibenden kategorialen Variablen ausser `Date` |

### 3. Numerische Variablen

| #   | Transformation | Details |
|-----|----------------|---------|
| 3.1 | Logarithmieren (+ umbenennen) | `Landsize` → `logLandsize` · `BuildingArea` → `logBuildingArea` |
| 3.2 | Binär umcodieren | kein Bedarf |

### 4. Andere Tätigkeiten

| #   | Transformation | Details |
|-----|----------------|---------|
| 4.1 | Konstruktion | `Date` → `month`, `year`, `day_of_week`; danach `Date` droppen |
| 4.2 | Variablennamen bereinigen | unerwünschte Zeichen → `_` |
| 4.3 | Standardisieren | kein Bedarf |
| 4.4 | Speichern | als `melb_data_prep.csv` |

## Reihenfolge — wichtig

Die Schritte sind nicht beliebig vertauschbar. Insbesondere:

- **1.1 vor 1.4:** erst Ausreisser/fehlerhafte Zeilen raus, dann NAs füllen
  (sonst fliessen Schrottwerte in Median/Modalwert ein).
- **2.1 vor 2.5:** erst Kardinalität reduzieren, dann One-Hot
  (sonst entstehen Dummy-Spalten für Levels, die man gerade zusammenlegen will).
- **2.5 nach allen anderen kategorialen Schritten:** One-Hot greift alle
  *übrigen* `object`-Spalten ab — `CouncilArea` und `Type` sind dann schon
  numerisch und werden korrekt übersprungen.
- **4.1 vor 2.5 ODER `Date` explizit ausnehmen:** `Date` ist `object` und würde
  sonst von One-Hot zerlegt. Lösung: `Date` beim One-Hot ignorieren und erst in
  4.1 zu `month`/`year`/`day_of_week` zerlegen.

## Projektstruktur

```
workshop3
├── data/
│   ├── melb_data.csv        # Rohdaten (Input)
│   └── melb_data_prep.csv   # aufbereitet (Output, generiert)
├── src/
│   └── prepare.py           # Pipeline
├── devenv.nix
└── README.md
```

## Ausführen

```sh
python src/prepare.py
```

## Offene Punkte / Selbstcheck

- [ ] `YearBuilt == 1196` verifizieren (vermutlich Tippfehler für 1996)
- [ ] NA-Spalten prüfen -> sind NAs in der Target-Variable `Price`?
      (Falls ja: Zeilen entfernen statt Median einsetzen.)
- [ ] Standardisieren bleibt hier aus -> relevant erst beim Training,
      und modellabhängig (Bäume brauchen es nicht).