Python2018/labs06/tasks.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

"""
1. Zaimportuj bibliotkę pandas jako pd.
"""
import pandas as pd

"""
2. Wczytaj zbiór danych `311.csv` do zniennej data.
"""

data = pd.read_csv("/home/students/s354567/Desktop/311.csv",low_memory=False)

"""
3. Wyświetl 5 pierwszych wierszy z data.
"""
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.
"""

data.City.value_counts()

"""
9. Wyświetl tylko pierwsze 4 wiersze z wcześniejszego polecenia.
"""
data.City.value_counts().head(4)

"""
10. Wyświetl, w ilu przypadkach kolumna City zawiera NaN.
"""

data['City'].isnull().sum()


x=data[data['City'].isnull()]
shape=x.shape
rows=shape[0]
print(rows)


"""
11. Wyświetl data.info()
"""

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.
"""
x=data[data['Agency'] == 'NYPD']
shape=x.shape
rows=shape[0]
print(rows)

"""
14. Wyświetl wartość minimalną i maksymalną z kolumny Longitude.
"""
Longitude=data['Longitude']

Longitude.min()
Longitude.max()

"""
15. Dodaj kolumne diff, która powstanie przez sumowanie kolumn Longitude i Latitude.
"""
Latitude=data['Latitude']
Longitude=data['Longitude']

data['Diff']=Latitude + Longitude



"""
16. Wyświetl tablę rozstawną dla kolumny 'Descriptor', dla której Agency jest
równe NYPD.
"""
y=data[data['Agency']=='NYPD']
y.Descriptor.value_counts()