labs02/intro_task.py

@@ -9,55 +9,48 @@ Zadania wprowadzające do pierwszych ćwiczeń.
 """
 Wypisz na ekran swoje imię i nazwisko.
 """
-print("Agnieszka Wagner")
+
 
 """
 Oblicz i wypisz na ekran pole koła o promienie 10. Jako PI przyjmij 3.14.
 """
-pole = 3.14 * (10.0 ** 2)
+
-print(pole)
 """
 Stwórz zmienną pole_kwadratu i przypisz do liczbę: pole kwadratu o boku 3.
 """
-pole_kwadratu = 3 ** 2
+
 """
 Stwórz 3 elementową listę, która zawiera nazwy 3 Twoich ulubionych owoców.
 Wynik przypisz do zmiennej `owoce`.
 """
-owoce = ['jabłko', 'gruszka', 'malina']
+
 """
 Dodaj do powyższej listy jako nowy element "pomidor".
 """
-owoce.append("pomidor")
+
-print(owoce)
 """
 Usuń z powyższej listy drugi element.
 """
-owoce.pop(1)
+
-print(owoce)
+
 """
 Rozszerz listę o tablice ['Jabłko', "Gruszka"].
 """
-owoce.append(['Jabłko', "Gruszka"])
+
-print(owoce)
 """
 Wyświetl listę owoce, ale bez pierwszego i ostatniego elementu.
 """
-print(owoce[1:-1])
+
 """
 Wyświetl co trzeci element z listy owoce.
 """
-print(owoce[::3])
+
 """
 Stwórz pusty słownik i przypisz go do zmiennej magazyn.
 """
-magazyn = {}
+
 """
 Dodaj do słownika magazyn owoce z listy owoce, tak, aby owoce były kluczami,
 zaś wartościami były równe 5.
 """
 
-for i in owoce:
-    magazyn[i] = 5
-
-print(magazyn)

labs02/task01.py

@@ -7,8 +7,7 @@ która zawiera tylko elementy z list o parzystych indeksach.
 """
 
 def even_elements(lista):
-    return(lista[::2])
+    pass
-
 
 
 def tests(f):
@@ -24,4 +23,3 @@ def tests(f):
 
 if __name__ == "__main__":
     print(tests(even_elements))
-

labs02/task02.py

@@ -6,10 +6,7 @@
 """
 
 def days_in_year(days):
-    if (days % 4 == 0 and ((days % 100 != 0) or (days % 400 == 0))):
+    pass
-        return 366
-    else:
-        return 365
 
 def tests(f):
     inputs = [[2015], [2012], [1900], [2400], [1977]]

labs02/task03.py

@@ -13,13 +13,7 @@ jak 'set', która przechowuje elementy bez powtórzeń.)
 
 
 def oov(text, vocab):
-    flag = []
+    pass
-    textSegm = set(text.split(' '))
-    for word in textSegm:
-        if word not in vocab:
-            flag.append(word)
-    return flag
-
 
 
 
@@ -36,9 +30,3 @@ def tests(f):
 
 if __name__ == "__main__":
     print(tests(oov))
-
-
-text = "this is a string , which i will use for string testing"
-textSegm = set(text.split(' '))
-print(textSegm)
-len(textSegm)

labs02/task04.py

@@ -7,14 +7,7 @@ Jeśli podany argument jest mniejszy od 1 powinna być zwracana wartość 0.
 """
 
 def sum_from_one_to_n(n):
-    sum = 0
+    pass
-    if n < 1:
-        return 0
-    else:
-        for i in range(n+1):
-            sum += i
-    return sum
-
 
 
 def tests(f):

labs02/task05.py

@@ -10,13 +10,7 @@ np. odległość pomiędzy punktami (0, 0, 0) i (3, 4, 0) jest równa 5.
 """
 
 def euclidean_distance(x, y):
-
+    pass
-    sum = 0
-    for i in range(len(x)):
-        result = (x[i] - y[i])**2
-        sum += result
-    return(sum**0.5)
-
 
 def tests(f):
     inputs = [[(2.3, 4.3, -7.5), (2.3, 8.5, -7.5)]]

labs02/task06.py

@@ -10,10 +10,7 @@ ma być zwracany napis "It's not a Big 'No!'".
 """
 
 def big_no(n):
-    if n >= 5 :
+    pass
-        return("N"+("O"*n)+"!")
-    else :
-        return("It's not a Big 'No!'")
 
 def tests(f):
     inputs = [[5], [6], [2]]

labs02/task07.py

@@ -6,10 +6,7 @@ Napisz funkcję char_sum, która dla zadanego łańcucha zwraca
 sumę kodów ASCII znaków.
 """
 def char_sum(text):
-    x = 0
+    pass
-    for c in text:
-        x += ord(c)
-    return (x)
 
 def tests(f):
     inputs = [["this is a string"], ["this is another string"]]

labs02/task08.py

@@ -7,11 +7,7 @@ przez 3 lub 5 mniejszych niż n.
 """
 
 def sum_div35(n):
-    x = 0
+    pass
-    for i in range(n):
-        if ( i % 3 == 0 or i % 5 == 0 ) :
-            x += i
-    return(x)
 
 def tests(f):
     inputs = [[10], [100], [3845]]

labs02/task09.py

@@ -9,15 +9,8 @@ Np. leet('leet') powinno zwrócić '1337'.
 
 
 def leet_speak(text):
-    if 'e' in text :
+    pass
-        text = text.replace("e", "3")
+
-    if "l" in text :
-        text = text.replace("l", "1")
-    if "o" in text :
-        text = text.replace("o", "0")
-    if "t" in text :
-        text = text.replace("t", "7")
-    return(text)
 
 def tests(f):
     inputs = [['leet'], ['do not want']]

labs02/task10.py

@@ -9,13 +9,7 @@ na wielką. Np. pokemon_speak('pokemon') powinno zwrócić 'PoKeMoN'.
 
 
 def pokemon_speak(text):
-    if text[:].isupper() == True :
+    pass
-        return(text)
-    else :
-        R = [''] * len(text)
-        R[::2], R[1::2] = text[::2].upper(), text[1::2].lower()
-        R = ''.join(R)
-        return(R)
 
 
 def tests(f):

labs02/task11.py

@@ -9,12 +9,8 @@ Oba napisy będą składać się wyłacznie z małych liter.
 """
 
 def common_chars(string1, string2):
-    string1 = "this is a string"
+    pass
-    string2 = "ala ma kota"
+
-    s = set(string1.replace(" ", ""))
-    t = set(string2.replace(" ", ""))
-    intersect = s & t
-    return(sorted(list(intersect)))
 
 def tests(f):
     inputs = [["this is a string", "ala ma kota"]]

labs04/labs04Task5.py

@@ -1,21 +0,0 @@
-import glob
-
-filelist = glob.glob('scores\\*.bleu')
-bleu_filename = ''
-max_bleu = 0
-
-
-def find_bleu(bleu_list, max_bleu):
-    for bleufile in bleu_list:
-        content = open(bleufile, 'r').read()
-        bleu = content.split(r',')
-        bleu_datum = bleu[0].split()
-        if max_bleu <= float(bleu_datum[2]):
-            max_bleu = float(bleu_datum[2])
-            bleu_filename = bleufile
-    return bleu_filename, max_bleu
-
-
-# filename, max_bleu = find_bleu([filelist[0]], max_bleu)
-filename, max_bleu = find_bleu(filelist, max_bleu)
-print(filename)

labs06/linearModel.py

@@ -1,56 +0,0 @@
-#!/usr/bin/env python
-# -*- coding: utf-8 -*-
-
-import sklearn
-import pandas as pd
-import numpy as np
-
-dane = pd.read_csv("mieszkania.csv")
-print(dane.head())
-print(dane.columns)
-
-# check data for outliers
-from matplotlib import pyplot as plt
-plt.scatter(dane['SqrMeters'], dane['Expected'], color='g')
-plt.show()
-# remove all data points that have expected price <= 500.000 and living area <= 200 sqrt meters
-plt.scatter(dane['Rooms'], dane['Expected'], color='g')
-plt.show()
-# remove all data points that represent flats with more than 8 rooms
-
-flats = dane[(dane['Rooms'] < 10) & (dane['SqrMeters'] <= 200) & (dane['Expected'] <= 500000)]
-print(flats.head(20))
-
-y = flats['Expected']
-X = flats.drop(['Id', 'Expected', 'Floor', 'Location',
-               'Description', 'Unnamed: 7', 'Unnamed: 8', 'Unnamed: 9', 'Unnamed: 10', 'Unnamed: 11'], axis=1)
-print(y.head())
-print(X.head())
-
-
-from sklearn.model_selection import train_test_split
-
-train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=0.3, random_state=38, shuffle=True)
-
-from sklearn.linear_model import LinearRegression
-model = LinearRegression()
-model.fit(X,y)
-
-
-predicted = model.predict(test_X)
-print("Predictions:", predicted[:5])
-
-for p in zip(train_X.columns, model.coef_):
-    print("Intercept for {}: {:.3}".format(p[0], p[1]))
-
-from sklearn.metrics import mean_squared_error
-rmse = np.sqrt(mean_squared_error(predicted, test_y))
-print("RMSE:", rmse)
-
-r2 = model.score(test_X, test_y)
-
-print("R squared:", r2) # 0.54 comparing to 0.02 before cleaning the data
-
-
-
-

labs06/task02.py

@@ -1,22 +1,14 @@
 #!/usr/bin/env python
 # -*- coding: utf-8 -*-
 
-import pandas as pd
-import matplotlib.pyplot as plt
-
 def wczytaj_dane():
-    dane = pd.read_csv("mieszkania.csv")
+    pass
-    print(dane.head())
-    return(dane)
 
 def most_common_room_number(dane):
-    return(dane['Rooms'].value_counts().idxmax())
+    pass
-
-
 
 def cheapest_flats(dane, n):
-    p = dane.sort_values(['Expected'], ascending=[0])
+    pass
-    p.head(7)
 
 def find_borough(desc):
     dzielnice = ['Stare Miasto',
@@ -26,139 +18,37 @@ def find_borough(desc):
                  'Piątkowo',
                  'Winogrady',
                  'Miłostowo',
-                 'Dębiec',
+                 'Dębiec']
-                 'Grunwald',
+    pass
-                 'Nowe Miasto']
-
-
-    check = 0
-    for dzielnica in dzielnice:
-        if dzielnica in desc:
-            check = 1
-            save_dzielnica = dzielnica
-    if check == 1:
-        return(save_dzielnica)
-    else:
-        return("Inne")
-
 
 
 def add_borough(dane):
-    dzielnice = ['Stare Miasto',
+    pass
-                     'Wilda',
-                     'Jeżyce',
-                     'Rataje',
-                     'Piątkowo',
-                     'Winogrady',
-                     'Miłostowo',
-                     'Dębiec',
-                     'Grunwald',
-                     'Nowe Miasto']
-    Borough = []
-    column = dane['Location']
-    for item in column:
-        check = 0
-        for dzielnica in dzielnice:
-            if dzielnica in item:
-                check = 1
-                save_dzielnica = dzielnica
-        if check == 1:
-            Borough.append(save_dzielnica)
-        else:
-            Borough.append("Inne")
-
-    Borough = pd.DataFrame(Borough)
-
-    dane = pd.concat([dane.reset_index(drop=True), Borough], axis=1)
-    print(dane)
 
 def write_plot(dane, filename):
-    dane.groupby('Borough')['Id'].nunique().plot(kind='bar')
+    pass
-    plt.show()
-    plt.savefig('output.png')
 
 def mean_price(dane, room_number):
-    p1 = dane[dane['Rooms'] == room_number]
+    pass
-    p2 = p1['Expected']
-    return(p2.mean())
 
 def find_13(dane):
-    p1 = dane[dane['Floor'] == 13]
+    pass
-    p1.Location.unique()
 
 def find_best_flats(dane):
-    p_index = dane['Location'].str.contains('Winogrady')
+    pass
-    p = dane[p_index]
-    best_flats = p[(p['Rooms'] == 3) & (p['Floor'] == 1)]
-    print(best_flats)
 
 def main():
     dane = wczytaj_dane()
-
+    print(dane[:5])
 
     print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}"
           .format(most_common_room_number(dane)))
 
-    print("{} to najładniejsza dzielnica w Poznaniu."
+    print("{} to najłądniejsza dzielnica w Poznaniu."
-          .format(find_borough("Grunwald i Jeżyce")))
+          .format(find_borough("Grunwald i Jeżyce"))))
 
     print("Średnia cena mieszkania 3-pokojowego, to: {}"
           .format(mean_price(dane, 3)))
 
 if __name__ == "__main__":
     main()
-
-
-
-
-# zadanie dodatkowe
-
-import sklearn
-import pandas as pd
-import numpy as np
-
-dane = pd.read_csv("mieszkania.csv")
-print(dane.head())
-print(dane.columns)
-
-# check data for outliers
-from matplotlib import pyplot as plt
-plt.scatter(dane['SqrMeters'], dane['Expected'], color='g')
-plt.show()
-# remove all data points that have expected price <= 500.000 and living area <= 200 sqrt meters
-plt.scatter(dane['Rooms'], dane['Expected'], color='g')
-plt.show()
-# remove all data points that represent flats with more than 8 rooms
-
-flats = dane[(dane['Rooms'] < 10) & (dane['SqrMeters'] <= 200) & (dane['Expected'] <= 500000)]
-print(flats.head(20))
-
-y = flats['Expected']
-X = flats.drop(['Id', 'Expected', 'Floor', 'Location',
-               'Description', 'Unnamed: 7', 'Unnamed: 8', 'Unnamed: 9', 'Unnamed: 10', 'Unnamed: 11'], axis=1)
-print(y.head())
-print(X.head())
-
-
-from sklearn.model_selection import train_test_split
-
-train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=0.3, random_state=38, shuffle=True)
-
-from sklearn.linear_model import LinearRegression
-model = LinearRegression()
-model.fit(X,y)
-
-
-predicted = model.predict(test_X)
-print("Predictions:", predicted[:5])
-
-for p in zip(train_X.columns, model.coef_):
-    print("Intercept for {}: {:.3}".format(p[0], p[1]))
-
-from sklearn.metrics import mean_squared_error
-rmse = np.sqrt(mean_squared_error(predicted, test_y))
-print("RMSE:", rmse)
-
-r2 = model.score(test_X, test_y)
-
-print("R squared:", r2) # 0.54 comparing to 0.02 before cleaning the data

labs06/tasks.py

@@ -4,92 +4,77 @@
 """
 1. Zaimportuj bibliotkę pandas jako pd.
 """
-import pandas as pd
+
 
 """
-2. Wczytaj zbiór danych `311.csv` do zmiennej data.
+2. Wczytaj zbiór danych `311.csv` do zniennej data.
 """
 
-data = pd.read_csv("311.csv", low_memory=False)
 
 """
 3. Wyświetl 5 pierwszych wierszy z data.
 """
-print(data.head())
+
 
 """
 4. Wyświetl nazwy kolumn.
 """
 
-print(data.columns)
 
 """
 5. Wyświetl ile nasz zbiór danych ma kolumn i wierszy.
 """
-shape = data.shape
+
-print(shape)
 
 """
 6. Wyświetl kolumnę 'City' z powyższego zbioru danych.
 """
-print(data['City'])
+
 
 """
 7. Wyświetl jakie wartoścu przyjmuje kolumna 'City'.
 """
-data.City.unique()
 
 """
 8. Wyświetl tabelę rozstawną kolumny City.
 """
 
-t = data.City.value_counts()
+
-print(t)
 """
 9. Wyświetl tylko pierwsze 4 wiersze z wcześniejszego polecenia.
 """
-t.head(4)
+
 
 """
 10. Wyświetl, w ilu przypadkach kolumna City zawiera NaN.
 """
 
-p = pd.DataFrame(data['City'].isnull())
+
-t = p[p['City'] == True]
-shape = t.shape
-rows = shape[0]
-print(rows)
 
 """
 11. Wyświetl data.info()
 """
-print(data.info())
+
 """
 12. Wyświetl tylko kolumny Borough i Agency i tylko 5 ostatnich linii.
 """
-print(data[['Borough', 'Agency']].tail())
+
 
 """
 13. Wyświetl tylko te dane, dla których wartość z kolumny Agency jest równa
 NYPD. Zlicz ile jest takich przykładów.
 """
-p = data[data['Agency'] == 'NYPD']
+
-p.Agency.value_counts()
 """
 14. Wyświetl wartość minimalną i maksymalną z kolumny Longitude.
 """
-data['Longitude'].max()
-data['Longitude'].min()
 
 """
 15. Dodaj kolumne diff, która powstanie przez sumowanie kolumn Longitude i Latitude.
 """
 
-data['diff'] = data['Longitude'] + data['Latitude']
 
 """
 16. Wyświetl tablę rozstawną dla kolumny 'Descriptor', dla której Agency jest
 równe NYPD.
 """
-p = data[data['Agency'] == 'NYPD']
-p.Descriptor.value_counts()