labs02/intro_task.py

@@ -9,66 +9,48 @@ Zadania wprowadzające do pierwszych ćwiczeń.
 """
 Wypisz na ekran swoje imię i nazwisko.
 """
-print('Monika Kraszkiewicz')
+
 
 """
 Oblicz i wypisz na ekran pole koła o promienie 10. Jako PI przyjmij 3.14.
 """
-pi = 3.14
-pole = pi * (10**2)
-print('Pole koła', 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 = ['banan', 'truskawka', 'pomarańcza']
-
 
 """
 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.extend(['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 +7,8 @@ która zawiera tylko elementy z list o parzystych indeksach.
 """
 
 def even_elements(lista):
-    nowa = lista[::2]
-    return nowa
+    pass
+
 
 def tests(f):
     inputs = [[[1, 2, 3, 4, 5, 6]], [[]], [[41]]]

labs02/task02.py

@@ -6,11 +6,7 @@
 """
 
 def days_in_year(days):
-    if (days % 4 == 0 and days % 100 != 0) or days % 400 == 0:
-        return 366
-    else:
-        return 365
-
+    pass
 
 def tests(f):
     inputs = [[2015], [2012], [1900], [2400], [1977]]

labs02/task03.py

@@ -13,14 +13,8 @@ jak 'set', która przechowuje elementy bez powtórzeń.)
 
 
 def oov(text, vocab):
-    slowa = text.split(' ')
-    #print('slowa',slowa)
-    nowe = set(slowa)
-    #print('nowe',nowe)
-    for i in vocab:
-        nowe.remove(i)
-    #print("cos",nowe)
-    return nowe
+    pass
+
 
 
 def tests(f):

labs02/task04.py

@@ -7,16 +7,7 @@ Jeśli podany argument jest mniejszy od 1 powinna być zwracana wartość 0.
 """
 
 def sum_from_one_to_n(n):
-    suma = 1
-    i = 1
-    if n < 1:
-        return 0
-    else:
-        while i < n:
-            i += 1
-            suma += i
-
-        return suma
+    pass
 
 
 def tests(f):

labs02/task05.py

@@ -8,10 +8,9 @@ dwoma punktami przestrzeni trójwymiarowej. Punkty są dane jako
 trzyelementowe listy liczb zmiennoprzecinkowych.
 np. odległość pomiędzy punktami (0, 0, 0) i (3, 4, 0) jest równa 5.
 """
-import math
+
 def euclidean_distance(x, y):
-    d = math.sqrt((x[0] - y[0])**2 +(x[1] - y[1])**2 + (x[2] - y[2])**2)
-    return d
+    pass
 
 def tests(f):
     inputs = [[(2.3, 4.3, -7.5), (2.3, 8.5, -7.5)]]

labs02/task06.py

@@ -10,12 +10,7 @@ ma być zwracany napis "It's not a Big 'No!'".
 """
 
 def big_no(n):
-    if n < 5:
-        y = ("It's not a Big 'No!'")
-        return y
-    else:
-        u = 'N' + 'O' * n + "!"
-        return u
+    pass
 
 def tests(f):
     inputs = [[5], [6], [2]]

labs02/task07.py

@@ -6,12 +6,7 @@ Napisz funkcję char_sum, która dla zadanego łańcucha zwraca
 sumę kodów ASCII znaków.
 """
 def char_sum(text):
-    suma = 0
-    for i in text:
-        suma += ord(i)
-    return suma
-
-
+    pass
 
 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):
-    suma = 0
-    for i in range(n):
-        if i % 3 == 0 or i % 5 == 0:
-            suma += i
-    return suma
+    pass
 
 def tests(f):
     inputs = [[10], [100], [3845]]

labs02/task09.py

@@ -9,11 +9,7 @@ Np. leet('leet') powinno zwrócić '1337'.
 
 
 def leet_speak(text):
-    slownik = {'e' : '3', 'l' : '1', 'o': '0', 't' : '7'}
-    for i in text:
-        if i in slownik:
-            text = text.replace(i, slownik[i])
-    return text
+    pass
 
 
 def tests(f):

labs02/task10.py

@@ -9,14 +9,7 @@ na wielką. Np. pokemon_speak('pokemon') powinno zwrócić 'PoKeMoN'.
 
 
 def pokemon_speak(text):
-    lista = []
-    for i in range(len(text)):
-        if i % 2 == 0:
-            lista.append(text[i].upper())
-        else:
-            lista.append(text[i])
-    text = "".join(lista)
-    return text
+    pass
 
 
 def tests(f):

labs02/task11.py

@@ -9,19 +9,7 @@ Oba napisy będą składać się wyłacznie z małych liter.
 """
 
 def common_chars(string1, string2):
-    lista = []
-    result = []
-    for i in range(len(string1)):
-        lista.append(string1[i])
-    for j in range(len(string2)):
-        if string2[j] in lista:
-            result.append(string2[j])
-    nowa = list(set(result))
-    for i in nowa:
-        if ord(i) == 32:
-            nowa.remove(i)
-    nowa.sort()
-    return nowa
+    pass
 
 
 def tests(f):

labs02/test_task.py

@@ -3,8 +3,10 @@
 
 
 def suma(a, b):
-    wynik = a + b
-    return wynik
+    """
+    Napisz funkcję, która zwraca sumę elementów.
+    """
+    return 0
 
 def tests(f):
     inputs = [(2, 3), (0, 0), (1, 1)]

labs04/Rozwiazanie 5.py

@@ -1,27 +0,0 @@
-import glob
-
-slownik = {}
-for file in glob.glob("scores/*.npz.bleu"):
-    plik = open(file,"r")
-    plik.seek(7)
-    odczyt = plik.read(5)
-
-    for i in odczyt:
-        if ord(i) == 44:
-            slownik[file] = "0" + odczyt[:-2] + "0"
-        else:
-            slownik[file] = odczyt
-
-    plik.close()
-
-#print(slownik)
-
-wartosci = list(slownik.viewvalues())
-#print wartosci
-wartosci = max(wartosci)
-#print wartosci
-
-for l in slownik:
-    if slownik[l] == wartosci:
-        print l
-

labs06/task02.py

@@ -1,25 +1,14 @@
 #!/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():
-    r = pd.read_csv("mieszkania.csv")
-    dane = pd.DataFrame(r, columns = ['Id', 'Expected', 'Rooms', 'SqrMeters', 'Floor', 'Location', 'Description'])
-    return dane
+    pass
 
 def most_common_room_number(dane):
-    k = dane.Rooms[dane.Rooms.value_counts().max()]
-    return k
+    pass
 
 def cheapest_flats(dane, n):
-    o = dane.sort_values(by ='Expected').head(n)
-    return o
+    pass
 
 def find_borough(desc):
     dzielnice = ['Stare Miasto',
@@ -30,98 +19,36 @@ def find_borough(desc):
                  'Winogrady',
                  'Miłostowo',
                  'Dębiec']
-
-    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"
-
+    pass
 
 
 def add_borough(dane):
-    miasta = []
-
-    for i in dane['Location']:
-        miasta.append(find_borough(i))
-
-    dane['Borough'] = miasta
-
-    return dane
+    pass
 
 def write_plot(dane, filename):
-    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')
-
+    pass
 
 def mean_price(dane, room_number):
-    srednia = dane.Expected[dane.Rooms == room_number].mean()
-    return round(srednia)
+    pass
 
 def find_13(dane):
-    mieszkania = dane[dane.Floor == 13].Borough.values
-    return mieszkania
+    pass
 
 def find_best_flats(dane):
-    best = dane[(dane.Borough == 'Winogrady') & (dane.Floor == 1) & (dane.Rooms == 3)]
-    return best
+    pass
 
 def main():
     dane = wczytaj_dane()
     print(dane[:5])
-    print('-' * 100)
+
     print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}"
           .format(most_common_room_number(dane)))
-    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("{} to najłądniejsza dzielnica w Poznaniu."
+          .format(find_borough("Grunwald i Jeżyce"))))
+
     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()

labs06/tasks.py

@@ -4,90 +4,77 @@
 """
 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", low_memory = False)
+
 
 """
 3. Wyświetl 5 pierwszych wierszy z data.
 """
-print(data.head())
+
 
 """
 4. Wyświetl nazwy kolumn.
 """
-print(list(data.columns))
+
 
 """
 5. Wyświetl ile nasz zbiór danych ma kolumn i wierszy.
 """
-shape = data.shape
-rows = shape[0]
-cols = shape[1]
-print('Liczba wierszy:')
-print (rows)
-print('Liczba kolumn:')
-print(cols)
+
 
 """
 6. Wyświetl kolumnę 'City' z powyższego zbioru danych.
 """
-print(data['City'])
+
 
 """
 7. Wyświetl jakie wartoścu przyjmuje kolumna 'City'.
 """
-print ( data['City'].values)
 
 """
 8. Wyświetl tabelę rozstawną kolumny City.
 """
-print (data.City.value_counts())
+
 
 """
 9. Wyświetl tylko pierwsze 4 wiersze z wcześniejszego polecenia.
 """
-print (data.City.value_counts().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())
 
 
 """
 13. Wyświetl tylko te dane, dla których wartość z kolumny Agency jest równa
 NYPD. Zlicz ile jest takich przykładów.
 """
-a = data[data['Agency'] == 'NYPD'].shape
-print('Liczba przypadkow', a[0])
 
 """
 14. Wyświetl wartość minimalną i maksymalną z kolumny Longitude.
 """
-print(data.Longitude.min())
-print(data.Longitude.max())
+
 """
 15. Dodaj kolumne diff, która powstanie przez sumowanie kolumn Longitude i Latitude.
 """
-data['diff'] = data['Longitude'].values + data['Latitude'].values
+
 
 """
 16. Wyświetl tablę rozstawną dla kolumny 'Descriptor', dla której Agency jest
 równe NYPD.
 """
-zmienna = data.Descriptor[data['Agency'] == "NYPD"]
-print(zmienna.value_counts())