labs 06

.gitignore

@@ -1,12 +0,0 @@
-# wiki files
-Python2017.wiki/*
-
-# Jupyter Files
-*/.ipynb_checkpoints/*
-
-# Rope files
-.ropeproject
-*/.ropeproject
-
-# Labs temp files
-labs03/haslo2.txt

labs03/task02.py

@@ -1,12 +1,13 @@
-def Fibo(n):
+def fibonacci(n):
-    if n == 0:
+    """Fibonacci numbers generator, first n"""
-        yield 0
+    a, b, counter = 0, 1, 0
-    if n == 1:
+    while True:
-        yield 0
+        if (counter > n): return
-    else:
+        yield a
-        yield (Fibo - 1) + (Fibo - 2)
+        a, b = b, a + b
+        counter += 1
 
 
-
+f = fibonacci(5)
-for i in Fibo(10):
+for x in f:
-    print (i)
+    print (x)

labs04/Klasy.ipynb

@@ -177,8 +177,7 @@
     "        super().__init__(vertexes)\n",
     "        \n",
     "    def czy_jestem_kwadratem(self):\n",
-    "        pass\n",
+    "        pass"
-    "        "
    ]
   },
   {
@@ -634,7 +633,9 @@
     "collapsed": true
    },
    "outputs": [],
-   "source": []
+   "source": [
+    ""
+   ]
   }
  ],
  "metadata": {
@@ -647,7 +648,7 @@
   "language_info": {
    "codemirror_mode": {
     "name": "ipython",
-    "version": 3
+    "version": 3.0
    },
    "file_extension": ".py",
    "mimetype": "text/x-python",
@@ -658,5 +659,5 @@
   }
  },
  "nbformat": 4,
- "nbformat_minor": 2
+ "nbformat_minor": 0
-}
+}

labs04/README.md

@@ -13,6 +13,4 @@ Stwórz klasę ``Point``, która będzie reprezentować punkt w przestrzeni wiel
  * Napisz metodę add, która dida dwa punkty po współrzędnych i zwróci obiekt typu ``Punkt``. Zaimplementuj własny wyjątek ``DimensionError``, który zostaje wyrzucony, jeżeli dodawany punkt ma inny wymiar.
  * Napisz metodę ``to\_string``, która zwróci łancuch znakowy, który w czytelny sposób przedstawi punkt.
  * Napisz metodę __len__, która zwróci liczbę współrzędnych punktu. Zobacz, czy możesz teraz wywołać funkcję len na obiekcie typy punkt.
- * Napisz metodę __str__, która bedzie działać dokładnie tak samo jak metoda ``to_string``. Wyświetl obiekt typy Point korzystając z funkcji print.
+ * Napisz metodę __str__, która bedzie działać dokładnie tak samo jak metoda ``to_string``. Wyświetl obiekt typy Point korzystając z funkcji print.
-
-

labs06/Pandas.ipynb

@@ -846,7 +846,9 @@
     "collapsed": true
    },
    "outputs": [],
-   "source": []
+   "source": [
+    ""
+   ]
   }
  ],
  "metadata": {
@@ -859,7 +861,7 @@
   "language_info": {
    "codemirror_mode": {
     "name": "ipython",
-    "version": 2
+    "version": 2.0
    },
    "file_extension": ".py",
    "mimetype": "text/x-python",
@@ -870,5 +872,5 @@
   }
  },
  "nbformat": 4,
- "nbformat_minor": 2
+ "nbformat_minor": 0
-}
+}

labs06/task02.py

@@ -1,30 +1,50 @@
 #!/usr/bin/env python
 # -*- coding: utf-8 -*-
 
+## Zadania
+
+# ** zad. 0 **
+# 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.
+#  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. 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. *(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
+import re
+from sklearn import *
+import numpy as np
+
 
 def wczytaj_dane():
-    flats_data = pd.read_csv('mieszkania.csv',
+    flats_data = pd.read_csv('mieszkania.csv', encoding='utf-8', sep=',', index_col='Id')
-                             sep=',', # separator
-                             index_col='Id') # ustawienie indeksu na kolumnę 'Id'
     flats_as_frame = pd.DataFrame(flats_data)
     return flats_as_frame
 
+
 def most_common_room_number(dane):
     rooms = dane['Rooms']
-    counter = rooms.value_counts()
+    rooms_counter = rooms.value_counts()
-    # new_dict = {}
+    rooms_counter_dict = rooms_counter.to_dict()
-    # for i in counter:
+    max_room = max(rooms_counter_dict, key=rooms_counter_dict.get)
-    #     new_dict.update([i])
+    return max_room
-    # print (new_dict)
-    print (max(counter))
-
-
-
 
 
 def cheapest_flats(dane, n):
-    pass
+    sorted_flats_data = dane.sort_values(by=['Expected'])
+    first_n_cheapest_flats = sorted_flats_data[:n]
+    return first_n_cheapest_flats
+
 
 def find_borough(desc):
     dzielnice = ['Stare Miasto',
@@ -35,27 +55,99 @@ def find_borough(desc):
                  'Winogrady',
                  'Miłostowo',
                  'Dębiec']
-    pass
+
+    # using regular expression to get rid of all special characters with the exception of accents
+    final_desc_wo_spaces = re.sub(u'[^a-zA-Z0-9áąéęćíóúÁÉÍÓÚâêîôÂÊÎÔńãõÃÕçÇżź:]', ' ', desc)
+    final_desc_wo_spaces = final_desc_wo_spaces.split()
+    for n in final_desc_wo_spaces:
+        if n in dzielnice:
+            return n
+        # horrible hack to match 'Stare' with 'Miasto'
+        elif n == 'Stare':
+            return 'Stare Miasto'
+    return "Inne"
 
 
 def add_borough(dane):
-    pass
+    dane['Borough'] = dane['Location'].apply(find_borough)
+    return dane
+
 
 def write_plot(dane, filename):
-    pass
+    bar_plot_data = dane['Borough']
+    counter = bar_plot_data.value_counts()
+    my_plot = counter.plot(kind='bar', title='Liczba mieszkań w Poznaniu według dzielnicy', figsize=(12, 12))
+    my_plot.set_xlabel('Dzielnica')
+    my_plot.set_ylabel('Liczebność')
+    fig = my_plot.get_figure()
+    fig.savefig(filename + '.png')
+
 
 def mean_price(dane, room_number):
-    pass
+    filtered_data_mean = dane[dane['Rooms'] == room_number]['Expected'].mean()
+    return filtered_data_mean
+
 
 def find_13(dane):
-    pass
+    filtered_data_floor_13 = dane[dane['Floor'] == 13]['Borough'].values
+    return filtered_data_floor_13
+
 
 def find_best_flats(dane):
-    pass
+    filtered_data = dane.loc[(dane['Borough'] == 'Winogrady') & dane['Rooms'].isin([3]) & dane['Floor'].isin([1])]
+    return filtered_data['Description']
+
+
+def percentile_based_outlier(dane, confidence=95):
+    """
+    Filters data set by given confidence criterion
+    :param dane: 
+    :param confidence: 
+    :return: 
+    """
+    diff = (100 - confidence) / 2.0
+    minval, maxval = np.percentile(dane['Expected'], [diff, 100 - diff])
+    return dane[(dane['Expected'] > minval) & (dane['Expected'] < maxval)]
+
+
+def linear_regression(dane, powierzchnia, liczba_pokoi):
+    # remove outliers and define the data/predictors as the pre-set feature name
+    dane_filtered = percentile_based_outlier(dane)
+    features = dane_filtered[['SqrMeters', 'Rooms']]
+    target = dane_filtered['Expected']
+    # print(min(target), max(target))
+
+    x = features
+    y = target
+
+    lm = linear_model.LinearRegression()
+    lm.fit(x, y)
+    model_score = lm.score(x, y)
+
+    # calculate mean squared error
+    mse = np.mean((dane_filtered['Expected'] - lm.predict(x)) ** 2)
+    price = lm.intercept_ + powierzchnia * lm.coef_[0] + liczba_pokoi * lm.coef_[1]
+
+    co = list(zip(x.columns, lm.coef_))
+    coef = pd.DataFrame(co, columns=['feature', 'coefficient'])
+
+    print('Features and coefficients \n {}'.
+          format(coef))
+    print('Estimated intercept coefficient: {}'.
+          format(lm.intercept_))
+    print('Number of coefficients {}'.
+          format(lm.coef_))  # list of coefficients
+    print('R^2 of the prediction: {}'.
+          format(model_score))
+    print('Mean squared error {}'.
+          format(mse))
+    print('{} squared meter flat, which has {} rooms with should cost {} PLN'.
+          format(powierzchnia, liczba_pokoi, round(price, 4)))
+
 
 def main():
     dane = wczytaj_dane()
-    # print(dane[:5])
+    print(dane[:5])
 
     print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}"
           .format(most_common_room_number(dane)))
@@ -66,5 +158,8 @@ def main():
     print("Średnia cena mieszkania 3-pokojowego, to: {}"
           .format(mean_price(dane, 3)))
 
+    linear_regression(dane, 100, 4)
+
+
 if __name__ == "__main__":
     main()