diff --git a/labs06/task02.py b/labs06/task02.py
index 9d96016..ddcac11 100755
--- a/labs06/task02.py
+++ b/labs06/task02.py
@@ -1,14 +1,25 @@
 #!/usr/bin/env python
 # -*- coding: utf-8 -*-
 
+import pandas as pd
+from matplotlib import pyplot as plt
+import sklearn as skl
+from sklearn.linear_model import LinearRegression
+import numpy as np
+from sklearn.metrics import mean_squared_error
+
 def wczytaj_dane():
-    pass
+    r = pd.read_csv("mieszkania.csv")
+    dane = pd.DataFrame(r, columns = ['Id', 'Expected', 'Rooms', 'SqrMeters', 'Floor', 'Location', 'Description'])
+    return dane
 
 def most_common_room_number(dane):
-    pass
+    k = dane.Rooms[dane.Rooms.value_counts().max()]
+    return k
 
 def cheapest_flats(dane, n):
-    pass
+    o = dane.sort_values(by ='Expected').head(n)
+    return o
 
 def find_borough(desc):
     dzielnice = ['Stare Miasto',
@@ -19,36 +30,98 @@ def find_borough(desc):
                  'Winogrady',
                  'Miłostowo',
                  'Dębiec']
-    pass
+
+    lista = desc.split()
+    for i in lista:
+        if i == "Stare": ## do poprawienia
+            return "Stare Miasto"
+
+        else:
+            for l in dzielnice:
+                if i == l:
+                    return l
+    else:
+        return "Inne"
+
 
 
 def add_borough(dane):
-    pass
+    miasta = []
+
+    for i in dane['Location']:
+        miasta.append(find_borough(i))
+
+    dane['Borough'] = miasta
+
+    return dane
 
 def write_plot(dane, filename):
-    pass
+    wykres = dane.Borough.value_counts().plot.bar(figsize = (14,14))
+    wykres.set_title('Liczba ogłoszeń mieszkań z podziałem na dzielnice')
+    wykres.set_xlabel('Dzielnice')
+    wykres.set_ylabel('Liczba')
+    fig = wykres.get_figure()
+    fig.savefig(filename + '.png')
+
 
 def mean_price(dane, room_number):
-    pass
+    srednia = dane.Expected[dane.Rooms == room_number].mean()
+    return round(srednia)
 
 def find_13(dane):
-    pass
+    mieszkania = dane[dane.Floor == 13].Borough.values
+    return mieszkania
 
 def find_best_flats(dane):
-    pass
+    best = dane[(dane.Borough == 'Winogrady') & (dane.Floor == 1) & (dane.Rooms == 3)]
+    return best
 
 def main():
     dane = wczytaj_dane()
     print(dane[:5])
-
+    print('-' * 100)
     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"))))
-
+    n = int(input('Podaj liczbę najtańszych ofert, które mamy wyświetlić -->'))
+    print ('Dane', n, 'najtańszych ofert:\n', cheapest_flats(dane, n))
+    print('-' * 100)
+    add_borough(dane)
+    filename = 'wykres'
+    write_plot(dane, filename)
+    print('Zapisano wykres w pliku')
+    print('-' * 100)
+    print("{} to najładniejsza dzielnica w Poznaniu.".format(find_borough("Grunwald i Jeżyce")))
+    print('-' * 100)
+    print('Lista dzielnic, które zawierają ofertę mieszkań na 13 piętrze:')
+    print(find_13(dane))
+    print('-' * 100)
+    print('Ogłoszenia mieszkań, które znajdują się na Winogradach, mają 3 pokoje i są położone na 1 piętrze:')
+    print(find_best_flats(dane))
+    print('-' * 100)
     print("Średnia cena mieszkania 3-pokojowego, to: {}"
           .format(mean_price(dane, 3)))
 
+    #REGRESJA LINIOWA
+
+    print('Budowanie modelu regresji liniowej...')
+
+    train = pd.DataFrame(dane[:-1000])
+    dev = pd.DataFrame(dane[-1000:])
+
+    X_train = pd.DataFrame(train, columns=['Rooms','SqrMeters'])
+    y_train = pd.DataFrame(train, columns=['Expected'])
+    lm = LinearRegression()
+    lm.fit(X_train, y_train)
+    lm.predict(X_train)
+
+    X_dev = pd.DataFrame(dev, columns=['Rooms','SqrMeters'])
+    predicted = lm.predict(X_dev)
+
+    rmse = np.sqrt(mean_squared_error(predicted, dev.Expected))
+    print("RMSE:", round(rmse,2))
+
+
+
+
 if __name__ == "__main__":
     main()