From 81731a602644bac454acde0bfb2a6e74eeab070b Mon Sep 17 00:00:00 2001
From: s45146 <bystrzyc@gmail.com>
Date: Fri, 22 Dec 2017 22:10:17 +0100
Subject: [PATCH] =?UTF-8?q?Zadanie=20domowe=20labs06=20-=20zad2=20-=20task?=
 =?UTF-8?q?02=20Rozwi=C4=85zanie=20s45146=20=5FBez=20regresji=20liniowej?=
 =?UTF-8?q?=5F?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 labs06/task02.py | 74 +++++++++++++++++++++++++++++++++++++++++-------
 1 file changed, 63 insertions(+), 11 deletions(-)

diff --git a/labs06/task02.py b/labs06/task02.py
index 9d96016..f37041a 100755
--- a/labs06/task02.py
+++ b/labs06/task02.py
@@ -1,15 +1,32 @@
 #!/usr/bin/env python
 # -*- coding: utf-8 -*-
 
+import pandas as pd, numpy as np
+import argparse, sys, os
+import matplotlib.pyplot as plt
+
+
+# 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.
 def wczytaj_dane():
-    pass
+    return pd.read_csv('mieszkania.csv', sep = ',')
 
+# 1' Wczytaj_dane z parametrem
+def wczytaj_dane_2(file_name):
+    return pd.read_csv(file_name, sep = ',')
+
+# 2. Uzupełnij funkcję most_common_room_number, która zwróci jaka jest najpopularniejsza liczba pokoi w ogłoszeniach.
+#    Funkcji powinna zwrócić liczbę całkowitą.
 def most_common_room_number(dane):
-    pass
+    rooms = dane['Rooms']
+    return rooms.value_counts(sort = True, ascending = False).index[0]
 
+# 3. Uzupełnij kod w funkcji cheapest_flats(dane, n), która wzróci n najtańszych ofert mieszkań. Wzrócony obiekt typu DataFrame.
 def cheapest_flats(dane, n):
-    pass
+    return dane['Expected'].sort_values(ascending = True).head(n).to_string(index = False).split('\n')
 
+# 4. 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.
 def find_borough(desc):
     dzielnice = ['Stare Miasto',
                  'Wilda',
@@ -19,36 +36,71 @@ def find_borough(desc):
                  'Winogrady',
                  'Miłostowo',
                  'Dębiec']
-    pass
-
+    for first_d in dzielnice:
+        if first_d in desc:
+            return first_d
+    return "Inne"
 
+# 5. Dodaj kolumnę Borough, która będzie zawierać informacje o dzielnicach i powstanie z kolumny Localization. Wykorzystaj do tego funkcję find_borough.
 def add_borough(dane):
-    pass
+    dane['Borough'] = dane['Location'].map(lambda Location: find_borough(Location))
 
+# 6. Uzupełnij funkcje write_plot, która zapisze do pliku filename wykres słupkowy przedstawiający liczbę ogłoszeń mieszkań z podziałem na dzielnice.
 def write_plot(dane, filename):
-    pass
+    add_borough(dane)
+    hist_data = dane['Borough'].value_counts()
+    h = hist_data.plot(kind = 'bar', grid = True, figsize = (10, 8))
+    plt.savefig(filename)
 
+# 7. Napisz funkcje mean_price, która zwróci średnią cenę mieszkania room_numer-pokojowego.
 def mean_price(dane, room_number):
-    pass
+    return dane.loc[dane['Rooms'] == room_number]['Expected'].mean()
 
+# 8. Uzupełnij funkcje find_13, która zwróci listę dzielnic, które zawierają ofertę mieszkanie na 13 piętrze.
 def find_13(dane):
-    pass
+    return dane.loc[dane['Floor'] == 13]['Borough'].to_string(index=False).split('\n')
 
+# 9. Napisz funkcje find_best_flats, która zwróci wszystkie ogłoszenia mieszkań, które znajdują się na Winogradach, mają 3 pokoje i są położone na 1 piętrze.
 def find_best_flats(dane):
-    pass
+    return dane.loc[(df['Borough'] == 'Winogrady') & (dane['Floor'] == 1) & (dane['Rooms'] == 3)]
+
+# 10. (dodatkowe): Korzystając z pakietu sklearn zbuduj model regresji liniowej, która będzie wyznaczać cenę mieszkania na podstawie wielkości mieszkania i liczby pokoi.
 
 def main():
+    parser = argparse.ArgumentParser()
+    parser.add_argument("file_name",  help = "File mieszkania.csv will be used by default", type=argparse.FileType('rt'), nargs='?')
+    args = parser.parse_args()
+
+    if args.file_name is None:
+        file_csv = 'mieszkania.csv'
+    else:
+        file_csv = args.file_name.name
+
+    ###dane = wczytaj_dane_2(file_csv)
     dane = wczytaj_dane()
     print(dane[:5])
 
     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"))))
+          .format(find_borough("Grunwald i Jeżyce")))
 
     print("Średnia cena mieszkania 3-pokojowego, to: {}"
           .format(mean_price(dane, 3)))
 
+    ###  Dopisałem te wywołania  ###
+    # ['1', ' 4000', '68000', '79000', '85000']
+    n = 5
+    print("Najtańsze oferty, to: {}"
+          .format(cheapest_flats(dane, n)))
+
+    write_plot(dane, file_csv+'.hist.png')
+
+    print("Dzielnice z mieszkaniami na 13tym piętrze, to: {}"
+          .format(find_13(dane)))
+    #############################
+
 if __name__ == "__main__":
     main()