1
0
forked from tdwojak/Python2017
This commit is contained in:
Przemysław Kaczmarek 2018-01-12 17:54:03 +01:00
parent b987dc0cc0
commit 83f27fc1a9

View File

@ -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 położone na 1 piętrze. 1. Napisz funkcje ``find_best_flats``, która zwróci wszystkie ogłoszenia mieszkań, które znajdują się na Winogradach, mają 3 pokoje i 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()