Prześlij pliki do ''

README.md

@@ -0,0 +1,18 @@
+## Zadania
+
+** zad. 0 **
+Sprawdź, czy masz zainstalowany pakiet ``pandas``. Jeżeli nie, zainstaluj go.
+
+** zad. 2 (domowe) **
+Jest to zadanie złożone, składające się z kilku części. Całość będzie opierać się o dane zawarte w pliku *mieszkania.csv* i dotyczą cen mieszkań w Poznaniu kilka lat temu.
+ 1, Otwórz plik ``task02.py``, który zawiera szkielet kodu, który będziemy rozwijać w tym zadaniu.
+ 1. Napisz funkcje, która wczyta zestaw danych z pliku *mieszkania.csv* i zwróci obiekt typu *DataFrame*. Jeżeli wszystko zostało zrobione poprawnie, powinno się wyśtwietlić 5 pierwszych wierszy.
+ 1. Uzupełnij funkcję ``most_common_room_number``, która zwróci jaka jest najpopularniejsza liczba pokoi w ogłoszeniach. Funkcji powinna zwrócić liczbę całkowitą.
+ 1. Uzupełnij kod w funkcji ``cheapest_flats(dane, n)``, która wzróci *n* najtańszych ofert mieszkań. Wzrócony obiekt typu ``DataFrame``.
+ 1. Napisz funkcje ``find_borough(desc)``, która przyjmuje 1 argument typu *string* i zwróci jedną z dzielnic zdefiniowaną w liście ``dzielnice``. Funkcja ma zwrócić pierwszą (wzgledem kolejności) nazwę dzielnicy, która jest zawarta w ``desc``. Jeżeli żadna nazwa nie została odnaleziona, zwróć *Inne*.
+ 1. Dodaj kolumnę ``Borough``, która będzie zawierać informacje o dzielnicach i powstanie z kolumny ``Localization``. Wykorzystaj do tego funkcję ``find_borough``.
+ 1. Uzupełnił funkcje ``write_plot``, która zapisze do pliku ``filename`` wykres słupkowy przedstawiający liczbę ogłoszeń mieszkań z podziałem na dzielnice.
+ 1. Napisz funkcje ``mean_price``, która zwróci średnią cenę mieszkania ``room_numer``-pokojowego.
+ 1. Uzupełnij funkcje ``find_13``, która zwróci listę dzielnic, które zawierają ofertę mieszkanie na 13 piętrze.
+ 1. Napisz funkcje ``find_best_flats``, która zwróci wszystkie ogłoszenia mieszkań, które znajdują się na Winogradach, mają 3 pokoje i są położone na 1 piętrze.
+ 1. *(dodatkowe)*: Korzystając z pakietu *sklearn* zbuduj model regresji liniowej, która będzie wyznaczać cenę mieszkania na podstawie wielkości mieszkania i liczby pokoi.

task02.py

@@ -0,0 +1,55 @@
+#!/usr/bin/env python
+# -*- coding: utf-8 -*-
+
+def wczytaj_dane():
+    return pd.read_csv('mieszkania.csv')
+
+def most_common_room_number(dane):
+    return dane['Rooms'].mode()[0]
+
+def cheapest_flats(dane, n):
+    return dane.sort_values('Expected', axis=0, ascending=True)[:n]
+
+def find_borough(desc):
+    dzielnice = ['Stare Miasto',
+                 'Wilda',
+                 'Jeżyce',
+                 'Rataje',
+                 'Piątkowo',
+                 'Winogrady',
+                 'Miłostowo',
+                 'Dębiec']
+    for dzielnica in dzielnice:
+        if dzielnica in desc:
+            return dzielnica
+    return 'Inne'
+
+
+def add_borough(dane):
+    dane['Borough'] = dane['Location'].apply(find_borough)
+
+def write_plot(dane, filename):
+    # TODO
+    pass
+
+def mean_price(dane, room_number):
+    return dane[dane['Rooms'] == room_number]['Expected'].mean()
+
+def find_13(dane):
+    return dane[dane['Floor'] == 13]['Borough'].unique()
+
+def find_best_flats(dane):
+    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("{} to najłądniejsza dzielnica w Poznaniu."
+          .format(find_borough("Grunwald i Jeżyce")))
+
+    print("Średnia cena mieszkania 3-pokojowego, to: {}"
+          .format(mean_price(dane, 3)))

tasks.py

@@ -0,0 +1,80 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+
+"""
+1. Zaimportuj bibliotkę pandas jako pd.
+"""
+
+
+"""
+2. Wczytaj zbiór danych `311.csv` do zniennej data.
+"""
+
+
+"""
+3. Wyświetl 5 pierwszych wierszy z data.
+"""
+
+
+"""
+4. Wyświetl nazwy kolumn.
+"""
+
+
+"""
+5. Wyświetl ile nasz zbiór danych ma kolumn i wierszy.
+"""
+
+
+"""
+6. Wyświetl kolumnę 'City' z powyższego zbioru danych.
+"""
+
+
+"""
+7. Wyświetl jakie wartoścu przyjmuje kolumna 'City'.
+"""
+
+"""
+8. Wyświetl tabelę rozstawną kolumny City.
+"""
+
+
+"""
+9. Wyświetl tylko pierwsze 4 wiersze z wcześniejszego polecenia.
+"""
+
+
+"""
+10. Wyświetl, w ilu przypadkach kolumna City zawiera NaN.
+"""
+
+
+
+"""
+11. Wyświetl data.info()
+"""
+
+"""
+12. Wyświetl tylko kolumny Borough i Agency i tylko 5 ostatnich linii.
+"""
+
+
+"""
+13. Wyświetl tylko te dane, dla których wartość z kolumny Agency jest równa
+NYPD. Zlicz ile jest takich przykładów.
+"""
+
+"""
+14. Wyświetl wartość minimalną i maksymalną z kolumny Longitude.
+"""
+
+"""
+15. Dodaj kolumne diff, która powstanie przez sumowanie kolumn Longitude i Latitude.
+"""
+
+
+"""
+16. Wyświetl tablę rozstawną dla kolumny 'Descriptor', dla której Agency jest
+równe NYPD.
+"""