2018-06-05 07:39:01 +02:00
|
|
|
#!/usr/bin/env python3
|
|
|
|
# -*- coding: utf-8 -*-
|
|
|
|
|
|
|
|
"""
|
|
|
|
1. Zaimportuj bibliotkę pandas jako pd.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
import pandas as pd
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
2. Wczytaj zbiór danych `311.csv` do zniennej data.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
data = pd.read_csv("./311.csv", sep=',', header=0, low_memory=0)
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
3. Wyświetl 5 pierwszych wierszy z data.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(data.head(5))
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
4. Wyświetl nazwy kolumn.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(data.columns)
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
5. Wyświetl ile nasz zbiór danych ma kolumn i wierszy.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(str(data.shape[1]) +', '+ str(data.shape[0]))
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
6. Wyświetl kolumnę 'City' z powyższego zbioru danych.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(data['City'])
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
7. Wyświetl jakie wartoścu przyjmuje kolumna 'City'.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(data['City'].unique())
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
8. Wyświetl tabelę rozstawną kolumny City.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(pd.pivot_table(data,columns=['City']))
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
9. Wyświetl tylko pierwsze 4 wiersze z wcześniejszego polecenia.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(pd.pivot_table(data,columns=['City']).head(4))
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
10. Wyświetl, w ilu przypadkach kolumna City zawiera NaN.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(data['City'].isnull().sum())
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
11. Wyświetl data.info()
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(data.info())
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
12. Wyświetl tylko kolumny Borough i Agency i tylko 5 ostatnich linii.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(data[['Borough','Agency']].tail(5))
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
13. Wyświetl tylko te dane, dla których wartość z kolumny Agency jest równa
|
|
|
|
NYPD. Zlicz ile jest takich przykładów.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(data[data['Agency'] == 'NYPD'])
|
|
|
|
print(data['Agency'].value_counts()['NYPD'])
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
14. Wyświetl wartość minimalną i maksymalną z kolumny Longitude.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(data['Longitude'].max())
|
|
|
|
print(data['Longitude'].min())
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
15. Dodaj kolumne diff, która powstanie przez sumowanie kolumn Longitude i Latitude.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
data['diff'] = data['Longitude'] + data['Latitude']
|
2018-06-05 07:39:01 +02:00
|
|
|
|
|
|
|
"""
|
|
|
|
16. Wyświetl tablę rozstawną dla kolumny 'Descriptor', dla której Agency jest
|
|
|
|
równe NYPD.
|
|
|
|
"""
|
2018-06-21 18:40:20 +02:00
|
|
|
print(pd.pivot_table(data[data['Agency'] == 'NYPD'],columns=['Descriptor']))
|