teradataml.automl.auto_dataprep.AutoDataPrep.__init__ = __init__(self, task_type='Default', verbose=0, **kwargs)

DESCRIPTION:
    AutoDataPrep simplifies the data preparation process by automating the different aspects of 
    data cleaning and transformation, enabling seamless exploration, transformation, and optimization of datasets.
 
PARAMETERS:
    task_type:
        Optional Argument.
        Specifies the task type for AutoDataPrep, whether to apply regression OR classification
        on the provided dataset. If user wants AutoDataPrep() to decide the task type automatically, 
        then it should be set to "Default".
        Default Value: "Default"
        Permitted Values: "Regression", "Classification", "Default"
        Types: str
 
    verbose:
        Optional Argument.
        Specifies the detailed execution steps based on verbose level.
        Default Value: 0
        Permitted Values: 
            * 0: prints the progress bar.
            * 1: prints the execution steps.
            * 2: prints the intermediate data between the execution of each step.
        Types: int
 
    **kwargs:
        Specifies the additional arguments for AutoDataPrep. Below
        are the additional arguments:
            custom_config_file:
                Optional Argument.
                Specifies the path of JSON file in case of custom run.
                Types: str
            
            volatile:
                Optional Argument.
                Specifies whether to put the interim results of the
                functions in a volatile table or not. When set to
                True, results are stored in a volatile table,
                otherwise not.
                Default Value: False
                Types: bool
 
            persist:
                Optional Argument.
                Specifies whether to persist the interim results of the
                functions in a table or not. When set to True,
                results are persisted in a table; otherwise,
                results are garbage collected at the end of the
                session.
                Default Value: False
                Types: bool
            
            enable_lasso:
                Optional Argument.
                Specifies whether to use lasso regression for feature selection.
                By default, only RFE and PCA are used for feature selection.
                Default Value: False
                Types: bool
            
            enable_rfe:
                Optional Argument.
                Specifies whether to enable RFE for feature selection.
                Default Value: True
                Types: bool
            
            enable_pca:
                Optional Argument.
                Specifies whether to enable PCA for feature selection.
                Default Value: True
                Types: bool
 
            skip_phases:
            Optional Argument.
            Specifies the phases to be skipped during the AutoML run.
            Types: str or list of str.
            permitted Values:
                * "Feature_Exploration"
                * "Feature_Engineering"
                * "Data_Preparation"
            Note:
                Enable AutoML Pipeline to Start from Any Step and Allow Skipping Major/Minor Stages
 
                +----------------------+--------------------------------------------------------------+
                | Major Steps          | Comments                                                     |
                +----------------------+--------------------------------------------------------------+
                | Feature Exploration  | Can be safely skipped. If skipped, statistical analysis      |
                |                      | for the provided dataset is not available.                   |
                +----------------------+--------------------------------------------------------------+
                | Feature Engineering  | If skipped, AutoML does not remove duplicates/redundant      |
                |                      | features, handle missing values, encode categorical          |
                |                      | features, or apply custom transforms. User must provide      |
                |                      | fully preprocessed numeric input during fit.                 |
                +----------------------+--------------------------------------------------------------+
                | Data Preparation     | If skipped, AutoML does not perform outlier handling,        |
                |                      | imbalance handling, scaling, or feature selection            |
                |                      | (RFE/LASSO/PCA). User must ensure training-ready features.   |
                +----------------------+--------------------------------------------------------------+
 
RETURNS:
    Instance of AutoDataPrep.
 
RAISES:
    TeradataMlException, TypeError, ValueError
 
EXAMPLES:
    # Notes:
    #     1. Get the connection to Vantage to execute the function.
    #     2. One must import the required functions mentioned in
    #        the example from teradataml.
    #     3. Function raises error if not supported on the Vantage
    #        user is connected to.
 
    # Load the example data.
    >>> load_example_data("teradataml", "titanic")
 
    # Create teradataml DataFrames.
    >>> titanic = DataFrame.from_table("titanic")
    
    # Example 1: Run AutoDataPrep for classification problem.
    # Scenario: Titanic dataset is used to predict the survival of passengers.
   
    # Create an instance of AutoDataPrep.
    >>> aprep_obj = AutoDataPrep(task_type="Classification", verbose=2)
 
    # Fit the data.
    >>> aprep_obj.fit(titanic, titanic.survived)
    
    # Retrieve the data after Auto Data Preparation.
    >>> datas = aprep_obj.get_data()