1
0
forked from tdwojak/Python2017

Zadanie domowe labs06 - zad2 - task02

Rozwiązanie s45146
_Bez regresji liniowej_
This commit is contained in:
s45146 2017-12-22 22:10:17 +01:00
parent ef426e0c64
commit 81731a6026

View File

@ -1,15 +1,32 @@
#!/usr/bin/env python #!/usr/bin/env python
# -*- coding: utf-8 -*- # -*- coding: utf-8 -*-
import pandas as pd, numpy as np
import argparse, sys, os
import matplotlib.pyplot as plt
# 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.
def wczytaj_dane(): def wczytaj_dane():
pass return pd.read_csv('mieszkania.csv', sep = ',')
# 1' Wczytaj_dane z parametrem
def wczytaj_dane_2(file_name):
return pd.read_csv(file_name, sep = ',')
# 2. Uzupełnij funkcję most_common_room_number, która zwróci jaka jest najpopularniejsza liczba pokoi w ogłoszeniach.
# Funkcji powinna zwrócić liczbę całkowitą.
def most_common_room_number(dane): def most_common_room_number(dane):
pass rooms = dane['Rooms']
return rooms.value_counts(sort = True, ascending = False).index[0]
# 3. Uzupełnij kod w funkcji cheapest_flats(dane, n), która wzróci n najtańszych ofert mieszkań. Wzrócony obiekt typu DataFrame.
def cheapest_flats(dane, n): def cheapest_flats(dane, n):
pass return dane['Expected'].sort_values(ascending = True).head(n).to_string(index = False).split('\n')
# 4. 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.
def find_borough(desc): def find_borough(desc):
dzielnice = ['Stare Miasto', dzielnice = ['Stare Miasto',
'Wilda', 'Wilda',
@ -19,36 +36,71 @@ def find_borough(desc):
'Winogrady', 'Winogrady',
'Miłostowo', 'Miłostowo',
'Dębiec'] 'Dębiec']
pass for first_d in dzielnice:
if first_d in desc:
return first_d
return "Inne"
# 5. Dodaj kolumnę Borough, która będzie zawierać informacje o dzielnicach i powstanie z kolumny Localization. Wykorzystaj do tego funkcję find_borough.
def add_borough(dane): def add_borough(dane):
pass dane['Borough'] = dane['Location'].map(lambda Location: find_borough(Location))
# 6. Uzupełnij funkcje write_plot, która zapisze do pliku filename wykres słupkowy przedstawiający liczbę ogłoszeń mieszkań z podziałem na dzielnice.
def write_plot(dane, filename): def write_plot(dane, filename):
pass add_borough(dane)
hist_data = dane['Borough'].value_counts()
h = hist_data.plot(kind = 'bar', grid = True, figsize = (10, 8))
plt.savefig(filename)
# 7. Napisz funkcje mean_price, która zwróci średnią cenę mieszkania room_numer-pokojowego.
def mean_price(dane, room_number): def mean_price(dane, room_number):
pass return dane.loc[dane['Rooms'] == room_number]['Expected'].mean()
# 8. Uzupełnij funkcje find_13, która zwróci listę dzielnic, które zawierają ofertę mieszkanie na 13 piętrze.
def find_13(dane): def find_13(dane):
pass return dane.loc[dane['Floor'] == 13]['Borough'].to_string(index=False).split('\n')
# 9. Napisz funkcje find_best_flats, która zwróci wszystkie ogłoszenia mieszkań, które znajdują się na Winogradach, mają 3 pokoje i są położone na 1 piętrze.
def find_best_flats(dane): def find_best_flats(dane):
pass return dane.loc[(df['Borough'] == 'Winogrady') & (dane['Floor'] == 1) & (dane['Rooms'] == 3)]
# 10. (dodatkowe): Korzystając z pakietu sklearn zbuduj model regresji liniowej, która będzie wyznaczać cenę mieszkania na podstawie wielkości mieszkania i liczby pokoi.
def main(): def main():
parser = argparse.ArgumentParser()
parser.add_argument("file_name", help = "File mieszkania.csv will be used by default", type=argparse.FileType('rt'), nargs='?')
args = parser.parse_args()
if args.file_name is None:
file_csv = 'mieszkania.csv'
else:
file_csv = args.file_name.name
###dane = wczytaj_dane_2(file_csv)
dane = wczytaj_dane() dane = wczytaj_dane()
print(dane[:5]) 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)))
### Dopisałem te wywołania ###
# ['1', ' 4000', '68000', '79000', '85000']
n = 5
print("Najtańsze oferty, to: {}"
.format(cheapest_flats(dane, n)))
write_plot(dane, file_csv+'.hist.png')
print("Dzielnice z mieszkaniami na 13tym piętrze, to: {}"
.format(find_13(dane)))
#############################
if __name__ == "__main__": if __name__ == "__main__":
main() main()