diff --git a/labs06/task02.py b/labs06/task02.py
index 08abfe7..08b54e9 100644
--- a/labs06/task02.py
+++ b/labs06/task02.py
@@ -5,7 +5,6 @@
 ** 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. Uzupełnił funkcje ``write_plot``, która zapisze do pliku ``filename`` wykres słupkowy przedstawiający liczbę ogłoszeń mieszkań z podziałem na dzielnice.
- 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.
 """
 import pandas as pd
@@ -64,22 +63,25 @@ def find_13(dane):
 
 
 def find_best_flats(dane):
-    pass
+    data = add_borough(dane)
+    best_flats = data.loc[(data['Borough'] == 'Winogrady') & (data['Floor'] == 1) & (data['Rooms'] == 3)]
+    return best_flats
 
 
 def main():
     dane = wczytaj_dane()
     print(dane[:5])
 
-    #print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}"
-    #      .format(most_common_room_number(dane)))
+    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("{} to najłądniejsza dzielnica w Poznaniu."
+          .format(find_borough("Grunwald i Jeżyce")))
 
 
-    #print("Średnia cena mieszkania 3-pokojowego, to: {}"
-    #      .format(mean_price(dane, 3)))
+    print("Średnia cena mieszkania 3-pokojowego, to: {}"
+          .format(mean_price(dane, 3)))
+