zadanie domowe

.idea/Python2018.iml

@@ -0,0 +1,11 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<module type="PYTHON_MODULE" version="4">
+  <component name="NewModuleRootManager">
+    <content url="file://$MODULE_DIR$" />
+    <orderEntry type="inheritedJdk" />
+    <orderEntry type="sourceFolder" forTests="false" />
+  </component>
+  <component name="TestRunnerService">
+    <option name="PROJECT_TEST_RUNNER" value="Unittests" />
+  </component>
+</module>

.idea/misc.xml

@@ -0,0 +1,4 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<project version="4">
+  <component name="ProjectRootManager" version="2" project-jdk-name="Python 3.6 (tralala)" project-jdk-type="Python SDK" />
+</project>

.idea/modules.xml

@@ -0,0 +1,8 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<project version="4">
+  <component name="ProjectModuleManager">
+    <modules>
+      <module fileurl="file://$PROJECT_DIR$/.idea/Python2018.iml" filepath="$PROJECT_DIR$/.idea/Python2018.iml" />
+    </modules>
+  </component>
+</project>

labs06/README.md

@@ -4,15 +4,42 @@
 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. Uzupełnij funkcję ``most_common_room_number``, która zwróci jaka jest najpopularniejsza liczba pokoi w ogłoszeniach. Funkcji powinna zwrócić liczbę całkowitą.
+ 1. Napisz funkcje, która wczyta zestaw danych z pliku *mieszkania.csv* i zwróci obiekt typu *DataFrame*.
- 1. Uzupełnij kod w funkcji ``cheapest_flats(dane, n)``, która wzróci *n* najtańszych ofert mieszkań. Wzrócony obiekt typu ``DataFrame``.
+ Jeżeli wszystko zostało zrobione poprawnie, powinno się wyśtwietlić 5 pierwszych wierszy.
- 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. 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. 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.

labs06/task02.py

@@ -1,14 +1,21 @@
 #!/usr/bin/env python
 # -*- coding: utf-8 -*-
+import pandas as pd
+import matplotlib.pyplot as plt
+import numpy as np
 
 def wczytaj_dane():
-    pass
+    mieszkania = pd.read_csv('mieszkania.csv',
+                            sep=',',
+                            encoding='UTF-8',
+                            usecols=[0,1,2,3,4,5,6])
+    return mieszkania
 
 def most_common_room_number(dane):
-    pass
+    return dane.mode(numeric_only=True)["Rooms"][0]
 
 def cheapest_flats(dane, n):
-    pass
+    return dane.sort_values(by=['Expected'], ascending=False).head(n)
 
 def find_borough(desc):
     dzielnice = ['Stare Miasto',
@@ -19,23 +26,29 @@ def find_borough(desc):
                  'Winogrady',
                  'Miłostowo',
                  'Dębiec']
-    pass
+    for i in dzielnice:
+        if desc.find(i) + 1:
+            return (i)
+    return ('Inne')
 
 
 def add_borough(dane):
-    pass
+    dane['Borough'] = dane['Location'].apply(find_borough)
+    return (dane)
 
 def write_plot(dane, filename):
-    pass
+    bar = dane["Borough"].value_counts().plot(kind="bar", figsize=(6, 6))
+    fig = bar.get_figure()
+    fig.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()
@@ -44,8 +57,8 @@ def main():
     print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}"
           .format(most_common_room_number(dane)))
 
-    print("{} to najłądniejsza dzielnica w Poznaniu."
+    print("{} to najładniejsza dzielnica w Poznaniu."
-          .format(find_borough("Grunwald i Jeżyce"))))
+          .format(find_borough("Grunwald i Jeżyce")))
 
     print("Średnia cena mieszkania 3-pokojowego, to: {}"
           .format(mean_price(dane, 3)))