modified codes for labs06

labs06/README.md

@@ -4,15 +4,25 @@
 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.
+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. Napisz funkcje, która wczyta zestaw danych z pliku *mieszkania.csv* i zwróci obiekt typu *DataFrame*.
- 1. Uzupełnij funkcję ``most_common_room_number``, która zwróci jaka jest najpopularniejsza liczba pokoi w ogłoszeniach. Funkcji powinna zwrócić liczbę całkowitą.
+    Jeżeli wszystko zostało zrobione poprawnie, powinno się wyśtwietlić 5 pierwszych wierszy.
- 1. Uzupełnij kod w funkcji ``cheapest_flats(dane, n)``, która wzróci *n* najtańszych ofert mieszkań. Wzrócony obiekt typu ``DataFrame``.
+ 1. Uzupełnij funkcję ``most_common_room_number``, która zwróci jaka jest najpopularniejsza liczba pokoi w ogłoszeniach.
- 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*.
+    Funkcji powinna zwrócić liczbę całkowitą.
- 1. Dodaj kolumnę ``Borough``, która będzie zawierać informacje o dzielnicach i powstanie z kolumny ``Localization``. Wykorzystaj do tego funkcję ``find_borough``.
+ 1. Uzupełnij kod w funkcji ``cheapest_flats(dane, n)``, która wzróci *n* najtańszych ofert mieszkań.
- 1. Uzupełnił funkcje ``write_plot``, która zapisze do pliku ``filename`` wykres słupkowy przedstawiający liczbę ogłoszeń mieszkań z podziałem na dzielnice.
+    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. Napisz funkcje ``find_best_flats``, która zwróci wszystkie ogłoszenia mieszkań, które znajdują się na Winogradach,
- 1. *(dodatkowe)*: Korzystając z pakietu *sklearn* zbuduj model regresji liniowej, która będzie wyznaczać cenę mieszkania na podstawie wielkości mieszkania i liczby pokoi.
+    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.

labs06/task02.py

@@ -1,14 +1,21 @@
 #!/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 +26,39 @@ 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: {}"
+    print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}".format(most_common_room_number(dane)))
-          .format(most_common_room_number(dane)))
 
-    print("{} to najłądniejsza dzielnica w Poznaniu."
+    print("{} to najłądniejsza dzielnica w Poznaniu.".format(find_borough("Grunwald i Jeżyce")))
-          .format(find_borough("Grunwald i Jeżyce"))))
 
-    print("Średnia cena mieszkania 3-pokojowego, to: {}"
+    print("Średnia cena mieszkania 3-pokojowego, to: {}".format(mean_price(dane, 3)))
-          .format(mean_price(dane, 3)))
 
 if __name__ == "__main__":
     main()

labs06/tasks.py

@@ -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']))