forked from tdwojak/Python2017
resolved
This commit is contained in:
parent
b987dc0cc0
commit
83f27fc1a9
@ -4,14 +4,10 @@
|
|||||||
"""
|
"""
|
||||||
** zad. 2 (domowe) **
|
** 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. 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. 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.
|
1. *(dodatkowe)*: Korzystając z pakietu *sklearn* zbuduj model regresji liniowej, która będzie wyznaczać cenę mieszkania na podstawie wielkości mieszkania i liczby pokoi.
|
||||||
"""
|
"""
|
||||||
import csv
|
|
||||||
import pandas as pd
|
import pandas as pd
|
||||||
import statistics
|
import statistics
|
||||||
|
|
||||||
@ -54,13 +50,18 @@ def add_borough(dane):
|
|||||||
|
|
||||||
|
|
||||||
def write_plot(dane, filename):
|
def write_plot(dane, filename):
|
||||||
|
|
||||||
pass
|
pass
|
||||||
|
|
||||||
def mean_price(dane, room_number):
|
def mean_price(dane, room_number):
|
||||||
pass
|
data=dane.loc[dane['Rooms'] == room_number]
|
||||||
|
return round(statistics.mean(data['Expected']),2)
|
||||||
|
|
||||||
def find_13(dane):
|
def find_13(dane):
|
||||||
pass
|
data = add_borough(dane)
|
||||||
|
boroughs = data.loc[data['Floor'] == 13]
|
||||||
|
return set(boroughs['Borough'])
|
||||||
|
|
||||||
|
|
||||||
def find_best_flats(dane):
|
def find_best_flats(dane):
|
||||||
pass
|
pass
|
||||||
@ -68,7 +69,7 @@ def find_best_flats(dane):
|
|||||||
|
|
||||||
def main():
|
def main():
|
||||||
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)))
|
||||||
@ -82,6 +83,5 @@ def main():
|
|||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
if __name__ == "__main__":
|
if __name__ == "__main__":
|
||||||
main()
|
main()
|
||||||
|
Loading…
Reference in New Issue
Block a user