teradataml.dataframe.sql.DataFrameColumn.regr_intercept = regr_intercept(expression)

DESCRIPTION:
    Function returns the intercept of the univariate linear regression line
    through all non-null data pairs of the dependent and independent variable
    arguments. The intercept is the point at which the regression line through
    the non-null data pairs in the sample intersects the ordinate, or y-axis,
    of the graph. The plot of the linear regression on the variables is used to
    predict the behavior of the dependent variable from the change in the
    independent variable. There can be a strong nonlinear relationship between
    independent and dependent variables, and the computation of the simple linear
    regression between such variable pairs does not reflect such a relationship.
    The function considers ColumnExpression as a dependent variable and "expression"
    as an independent variable.
 
PARAMETERS:
    expression:
        Required Argument.
        Specifies a ColumnExpression of a column or name of the column or a
        literal representing an independent variable for the regression.
        An independent variable is something that is varied under your control
        to test the behavior of another variable.
        Types: ColumnExpression OR int OR float OR str
 
RETURNS:
    ColumnExpression, also known as, teradataml DataFrameColumn
 
NOTES:
     * One must use DataFrame.assign() when using the aggregate functions on
       ColumnExpression, also known as, teradataml DataFrameColumn.
     * One should always use "drop_columns=True" in DataFrame.assign(), while
       running the aggregate operation on teradataml DataFrame.
     * "drop_columns" argument in DataFrame.assign() is ignored, when aggregate
       function is operated on DataFrame.groupby().
 
RAISES:
    RuntimeError - If column does not support the aggregate operation.
 
EXAMPLES:
    # Load the data to run the example.
    >>> load_example_data("dataframe", "admissions_train")
    >>>
 
    # Create a DataFrame on 'admissions_train' table.
    >>> admissions_train = DataFrame("admissions_train")
    >>> admissions_train
       masters   gpa     stats programming  admitted
    id
    22     yes  3.46    Novice    Beginner         0
    36      no  3.00  Advanced      Novice         0
    15     yes  4.00  Advanced    Advanced         1
    38     yes  2.65  Advanced    Beginner         1
    5       no  3.44    Novice      Novice         0
    17      no  3.83  Advanced    Advanced         1
    34     yes  3.85  Advanced    Beginner         0
    13      no  4.00  Advanced      Novice         1
    26     yes  3.57  Advanced    Advanced         1
    19     yes  1.98  Advanced    Advanced         0
    >>>
 
    # Example 1: Calculate the intercept of the "gpa" column (independent variable) with
    #            "admitted" column (dependent variable).
    # Execute regr_intercept() using teradataml DataFrameColumn to generate the ColumnExpression.
    >>> regr_intercept_column = admissions_train.admitted.regr_intercept(admissions_train.gpa)
    # Pass the generated ColumnExpression to DataFrame.assign(), to run and produce the result.
    >>> df = admissions_train.assign(True, regr_intercept_=regr_intercept_column)
    >>> df
       regr_intercept_
    0         0.724144
    >>>
 
    # Example 2: Calculate the intercept of the "gpa" column (independent variable) with
    #            "admitted" column (dependent variable) for each
    #            level of programming.
    # Note:
    #   When assign() is run after DataFrame.groupby(), the function ignores
    #   the "drop_columns" argument.
    # Execute regr_intercept() using teradataml DataFrameColumn to generate the ColumnExpression.
    >>> regr_intercept_column = admissions_train.admitted.regr_intercept(admissions_train.gpa)
    # Pass the generated ColumnExpression to DataFrame.assign(), to run and produce the result.
    >>> df = admissions_train.groupby("programming").assign(regr_intercept_=regr_intercept_column)
    >>> df
      programming  regr_intercept_
    0    Advanced        -0.626557
    1      Novice         1.000091
    2    Beginner         2.566361
    >>>