diff --git a/labs06/task02.py b/labs06/task02.py
index 9d96016..fbf76a1 100755
--- a/labs06/task02.py
+++ b/labs06/task02.py
@@ -1,14 +1,37 @@
 #!/usr/bin/env python
 # -*- coding: utf-8 -*-
 
+import numpy as np
+import matplotlib.pyplot as plt
+
+import matplotlib
+
+matplotlib.style.use('ggplot')
+
+plt.rcParams['figure.figsize'] = (10, 7)
+
+import pandas as pd
+
+from sklearn import linear_model
+from sklearn.model_selection import train_test_split
+from mpl_toolkits.mplot3d import Axes3D
+from sklearn.metrics import mean_squared_error, r2_score
+
+# funkcja, która wczyta zestaw danych z pliku *mieszkania.csv* i zwróci obiekt typu *DataFrame*.
 def wczytaj_dane():
-    pass
+    dane = pd.read_csv('mieszkania.csv',  # ścieżka  do pliku
+                       sep=',',  # separator
+                       index_col='Id')  # ustawienie indeksu na kolumnę Id
+    return (dane)
+
 
 def most_common_room_number(dane):
-    pass
+    return (dane['Rooms'].mode()[0])
+
 
 def cheapest_flats(dane, n):
-    pass
+    return (dane.nsmallest(n, 'Expected'))
+
 
 def find_borough(desc):
     dzielnice = ['Stare Miasto',
@@ -19,36 +42,99 @@ def find_borough(desc):
                  'Winogrady',
                  'Miłostowo',
                  'Dębiec']
-    pass
+    for i in dzielnice:
+        if desc.find(i) + 1:
+            return (i)
+    return ('Inne')
 
 
 def add_borough(dane):
-    pass
+    dane['Borough'] = dane['Location'].apply(find_borough)
+    return (dane)
+
 
 def write_plot(dane, filename):
-    pass
+    fig = plt.figure()
+    dane.plot(kind='bar')
+    plt.savefig(filename)
+    plt.close(fig)
+
 
 def mean_price(dane, room_number):
-    pass
+    return (dane.groupby(['Rooms']).mean()['Expected'][room_number])
+
 
 def find_13(dane):
-    pass
+    return (dane[dane['Floor'] == 13]['Borough'].tolist())
+
+
+def find_best_flats(dane, borough='Winogrady', rooms=3, floor=1):
+    return (dane[(dane['Borough'] == borough) & (dane['Rooms'] == rooms) & (dane['Floor'] == floor)])
 
-def find_best_flats(dane):
-    pass
 
 def main():
     dane = wczytaj_dane()
     print(dane[:5])
 
-    print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}"
+    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('Pięć najtańszych ofert sprzedaży mieszkań: \n{}'
+          .format(cheapest_flats(dane, 5)))
+
+    print("{} to najładniejsza dzielnica w Poznaniu."
+          .format(find_borough("Grunwald i Jeżyce")))
+
+    # dane['Borough'] = dane['Location'].apply(find_borough)
+
+    dane = add_borough(dane)
+
+    write_plot(dane.groupby(['Borough']).count()['Expected'], 'filename')
+
+    print('Dzielnice, które zawierają ofertę mieszkanie na 13 piętrze to: {}.'.format(', '.join(find_13(dane))))
+
+    print('Średnia cena mieszkania {0}-pokojowego z ofert sprzedaży mieszkań wynosi: {1:.0f} zł.'
+          .format(3, mean_price(dane, 3)))
+
+    # print(find_best_flats(dane))
+
+
+
+    # Dzielimy dane na dwie części - jedną do uczenia 80% oraz drugą do testowania 20%
+
+    dane_X = dane[['SqrMeters', 'Rooms']]
+    dane_Y = dane[['Expected']]
+    dane_X_train, dane_X_test, dane_Y_train, dane_Y_test = train_test_split(dane_X,
+                                                                            dane_Y,
+                                                                            test_size=0.2,
+                                                                            random_state=2)
+
+    # Tworzymy model regresji wielorakiej, zmienną wyjaśnianą będzie cena
+    # mieszkania, zmiennymi wyjaśniającymi będą: wielkość mieszkania i liczba
+    # pokoi
+
+    regr = linear_model.LinearRegression()
+
+    # Uczymy model korzystając ze zbioru uczącego
+    regr.fit(dane_X_train, dane_Y_train)
+
+    # Współczynniki modelu
+    print('Współczynniki: {0:.4f} (SqrMeters) {1:.4f} (Rooms)'.format(regr.coef_[0,0],
+                                      regr.coef_[0,1]))
+    # Dokonujemy predykcji korzystając ze zbioru testującego
+    dane_Y_pred = regr.predict(dane_X_test)
+
+    # Test
+    print('Dopasowanie modelu: {:.4f}'.format(regr.score(dane_X_test, dane_Y_test)))
+
+
+    # Błąd średniokwadratowy
+    print('Błąd średniokwadratowy: {:.4f}'.format(mean_squared_error(dane_Y_test, dane_Y_pred)))
+
+    # Explained variance score: 1 is perfect prediction
+    print('Variance score: {:.4f}'.format(r2_score(dane_Y_test, dane_Y_pred)))
+
 
-    print("Średnia cena mieszkania 3-pokojowego, to: {}"
-          .format(mean_price(dane, 3)))
 
 if __name__ == "__main__":
     main()