forked from tdwojak/Python2018
done
This commit is contained in:
parent
ec22b8d4d7
commit
997cb94868
42
labs06/task02.py
Executable file → Normal file
42
labs06/task02.py
Executable file → Normal file
@ -1,14 +1,22 @@
|
||||
#!/usr/bin/env python
|
||||
# -*- coding: utf-8 -*-
|
||||
|
||||
import pandas as pd
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
|
||||
def wczytaj_dane():
|
||||
pass
|
||||
df = pd.read_csv("./mieszkania.csv", sep=',', header=0)
|
||||
return df
|
||||
|
||||
|
||||
def most_common_room_number(dane):
|
||||
pass
|
||||
return dane['Rooms'].value_counts().idxmax()
|
||||
|
||||
|
||||
def cheapest_flats(dane, n):
|
||||
pass
|
||||
return dane.sort_values(by='Expected').head(n)
|
||||
|
||||
|
||||
def find_borough(desc):
|
||||
dzielnice = ['Stare Miasto',
|
||||
@ -19,36 +27,40 @@ def find_borough(desc):
|
||||
'Winogrady',
|
||||
'Miłostowo',
|
||||
'Dębiec']
|
||||
pass
|
||||
return next((desc for i in dzielnice if desc in i), 'Inne')
|
||||
|
||||
|
||||
def add_borough(dane):
|
||||
pass
|
||||
dane['Borough'] = dane['Location'].apply(find_borough)
|
||||
|
||||
|
||||
def write_plot(dane, filename):
|
||||
pass
|
||||
dane['Borough'].value_counts().plot(x='Borough', y='Quantity of adwerts', kind='bar')
|
||||
plt.savefig('./'+filename)
|
||||
|
||||
|
||||
def mean_price(dane, room_number):
|
||||
pass
|
||||
return dane[dane["Rooms"] == room_number]["Expected"].mean()
|
||||
|
||||
|
||||
def find_13(dane):
|
||||
pass
|
||||
return dane[dane["Floor"] == 13]["Borough"].unique()
|
||||
|
||||
|
||||
def find_best_flats(dane):
|
||||
pass
|
||||
return dane[(dane["Borough"] == "Winogrady") & (dane["Floor"] == 1) & (dane["Rooms"] == 3)]
|
||||
|
||||
|
||||
def main():
|
||||
dane = wczytaj_dane()
|
||||
print(dane[:5])
|
||||
|
||||
print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}"
|
||||
.format(most_common_room_number(dane)))
|
||||
print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}".format(most_common_room_number(dane)))
|
||||
|
||||
print("{} to najłądniejsza dzielnica w Poznaniu."
|
||||
.format(find_borough("Grunwald i Jeżyce"))))
|
||||
print("{} to najłądniejsza dzielnica w Poznaniu.".format(find_borough("Grunwald i Jeżyce")))
|
||||
|
||||
print("Średnia cena mieszkania 3-pokojowego, to: {}"
|
||||
.format(mean_price(dane, 3)))
|
||||
print("Średnia cena mieszkania 3-pokojowego, to: {}".format(mean_price(dane, 3)))
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
|
||||
|
30
labs06/tasks.py
Executable file → Normal file
30
labs06/tasks.py
Executable file → Normal file
@ -4,77 +4,83 @@
|
||||
"""
|
||||
1. Zaimportuj bibliotkę pandas jako pd.
|
||||
"""
|
||||
|
||||
import pandas as pd
|
||||
|
||||
"""
|
||||
2. Wczytaj zbiór danych `311.csv` do zniennej data.
|
||||
"""
|
||||
|
||||
data = pd.read_csv("./311.csv", sep=',', header=0, low_memory=0)
|
||||
|
||||
"""
|
||||
3. Wyświetl 5 pierwszych wierszy z data.
|
||||
"""
|
||||
|
||||
print(data.head(5))
|
||||
|
||||
"""
|
||||
4. Wyświetl nazwy kolumn.
|
||||
"""
|
||||
|
||||
print(data.columns)
|
||||
|
||||
"""
|
||||
5. Wyświetl ile nasz zbiór danych ma kolumn i wierszy.
|
||||
"""
|
||||
|
||||
print(str(data.shape[1]) +', '+ str(data.shape[0]))
|
||||
|
||||
"""
|
||||
6. Wyświetl kolumnę 'City' z powyższego zbioru danych.
|
||||
"""
|
||||
|
||||
print(data['City'])
|
||||
|
||||
"""
|
||||
7. Wyświetl jakie wartoścu przyjmuje kolumna 'City'.
|
||||
"""
|
||||
print(data['City'].unique())
|
||||
|
||||
"""
|
||||
8. Wyświetl tabelę rozstawną kolumny City.
|
||||
"""
|
||||
|
||||
print(pd.pivot_table(data,columns=['City']))
|
||||
|
||||
"""
|
||||
9. Wyświetl tylko pierwsze 4 wiersze z wcześniejszego polecenia.
|
||||
"""
|
||||
|
||||
print(pd.pivot_table(data,columns=['City']).head(4))
|
||||
|
||||
"""
|
||||
10. Wyświetl, w ilu przypadkach kolumna City zawiera NaN.
|
||||
"""
|
||||
|
||||
|
||||
print(data['City'].isnull().sum())
|
||||
|
||||
"""
|
||||
11. Wyświetl data.info()
|
||||
"""
|
||||
print(data.info())
|
||||
|
||||
"""
|
||||
12. Wyświetl tylko kolumny Borough i Agency i tylko 5 ostatnich linii.
|
||||
"""
|
||||
|
||||
print(data[['Borough','Agency']].tail(5))
|
||||
|
||||
"""
|
||||
13. Wyświetl tylko te dane, dla których wartość z kolumny Agency jest równa
|
||||
NYPD. Zlicz ile jest takich przykładów.
|
||||
"""
|
||||
print(data[data['Agency'] == 'NYPD'])
|
||||
print(data['Agency'].value_counts()['NYPD'])
|
||||
|
||||
"""
|
||||
14. Wyświetl wartość minimalną i maksymalną z kolumny Longitude.
|
||||
"""
|
||||
print(data['Longitude'].max())
|
||||
print(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.
|
||||
"""
|
||||
print(pd.pivot_table(data[data['Agency'] == 'NYPD'],columns=['Descriptor']))
|
||||
|
Loading…
Reference in New Issue
Block a user