done

labs02/intro_task.py

@@ -9,48 +9,54 @@ Zadania wprowadzające do pierwszych ćwiczeń.
 """
 Wypisz na ekran swoje imię i nazwisko.
 """
-
+print("Sylwia Miśkiewicz")
 
 """
 Oblicz i wypisz na ekran pole koła o promienie 10. Jako PI przyjmij 3.14.
 """
-
+pole= 3.14 * (10**2)
+print (pole)
 """
 Stwórz zmienną pole_kwadratu i przypisz do liczbę: pole kwadratu o boku 3.
 """
-
+pole_kwadratu= 3*3
 """
 Stwórz 3 elementową listę, która zawiera nazwy 3 Twoich ulubionych owoców.
 Wynik przypisz do zmiennej `owoce`.
 """
-
+owoce=['banan','borówka','czereśnia']
 """
 Dodaj do powyższej listy jako nowy element "pomidor".
 """
-
+owoce.append('pomidor')
 """
 Usuń z powyższej listy drugi element.
 """
-
+owoce.pop(1)
 
 """
 Rozszerz listę o tablice ['Jabłko', "Gruszka"].
 """
+owoce.extend(['Jabłko',"Gruszka"])
 
 """
 Wyświetl listę owoce, ale bez pierwszego i ostatniego elementu.
 """
-
+print(owoce[0:-2])
 """
 Wyświetl co trzeci element z listy owoce.
 """
-
+print(owoce[::3])
 """
 Stwórz pusty słownik i przypisz go do zmiennej magazyn.
 """
-
+magazyn={}
 """
 Dodaj do słownika magazyn owoce z listy owoce, tak, aby owoce były kluczami,
 zaś wartościami były równe 5.
 """
+for key in owoce:
+    magazyn[key]=[5]
+
+print(magazyn)
 

labs02/task01.py

@@ -7,7 +7,7 @@ która zawiera tylko elementy z list o parzystych indeksach.
 """
 
 def even_elements(lista):
-    pass
+    return lista [::2]
 
 
 def tests(f):

labs02/task02.py

@@ -6,7 +6,16 @@
 """
 
 def days_in_year(days):
-    pass
+    days_in_year=0
+    if days % 4 == 0 and days % 100 != 0 or days % 400 == 0:
+            days_in_year = 366
+
+    else:
+
+            days_in_year = 365 
+
+    return days_in_year       
+
 
 def tests(f):
     inputs = [[2015], [2012], [1900], [2400], [1977]]

labs02/task03.py

@@ -13,7 +13,10 @@ jak 'set', która przechowuje elementy bez powtórzeń.)
 
 
 def oov(text, vocab):
-    pass
+    test = text.split(' ')
+    words = set()
+    words = {word for word in test if word not in vocab}
+    return words
 
 
 

labs02/task04.py

@@ -7,7 +7,10 @@ Jeśli podany argument jest mniejszy od 1 powinna być zwracana wartość 0.
 """
 
 def sum_from_one_to_n(n):
-    pass
+    if n < 1:
+        return 0
+    else:
+        return sum(i for i in range(1, n+1))
 
 
 def tests(f):

labs02/task05.py

@@ -8,9 +8,9 @@ dwoma punktami przestrzeni trójwymiarowej. Punkty są dane jako
 trzyelementowe listy liczb zmiennoprzecinkowych.
 np. odległość pomiędzy punktami (0, 0, 0) i (3, 4, 0) jest równa 5.
 """
-
+import math as m
 def euclidean_distance(x, y):
-    pass
+    return m.sqrt(sum((i-j)**2 for i,j in zip(x,y)))
 
 def tests(f):
     inputs = [[(2.3, 4.3, -7.5), (2.3, 8.5, -7.5)]]

labs02/task06.py

@@ -10,7 +10,11 @@ ma być zwracany napis "It's not a Big 'No!'".
 """
 
 def big_no(n):
-    pass
+    if n < 5:
+         return "It's not a Big 'No!'"
+    else:
+         big_no= "N" + "O" * n + "!"
+         return big_no
 
 def tests(f):
     inputs = [[5], [6], [2]]

labs02/task07.py

@@ -6,7 +6,9 @@ Napisz funkcję char_sum, która dla zadanego łańcucha zwraca
 sumę kodów ASCII znaków.
 """
 def char_sum(text):
-    pass
+    z = list(text)
+    lista = [ord(x) for x in z]
+    return sum(lista)
 
 def tests(f):
     inputs = [["this is a string"], ["this is another string"]]

labs02/task08.py

@@ -7,7 +7,16 @@ przez 3 lub 5 mniejszych niż n.
 """
 
 def sum_div35(n) :
-    pass
+
+    suma = 0
+
+    for i in range(n) : 
+
+       if i % 3 == 0 or i % 5 == 0:
+
+           suma += i
+
+    return suma
 
 def tests(f):
     inputs = [[10], [100], [3845]]

labs02/task09.py

@@ -9,7 +9,15 @@ Np. leet('leet') powinno zwrócić '1337'.
 
 
 def leet_speak(text):
-    pass
+    slownik = {'e' : '3', 'l' : '1', 'o' : '0', 't' : '7'}
+
+    for a in text:
+
+        if a in slownik:
+
+            text = text.replace(a, slownik [a])
+    return text
+
 
 
 def tests(f):

labs02/task10.py

@@ -9,7 +9,15 @@ na wielką. Np. pokemon_speak('pokemon') powinno zwrócić 'PoKeMoN'.
 
 
 def pokemon_speak(text):
-    pass
+    result = []
+
+    for i in range(len(text)):
+       if i % 2 == 0:
+          result.append(text[i].upper())
+       else:
+          result.append(text[i])
+
+    return ''.join(result)
 
 
 def tests(f):

labs02/task11.py

@@ -9,7 +9,7 @@ Oba napisy będą składać się wyłacznie z małych liter.
 """
 
 def common_chars(string1, string2):
-    pass
+    return sorted(set(string1.replace(' ',''))& set(string2.replace(' ','')))
 
 
 def tests(f):

labs02/test_task.py

@@ -6,7 +6,9 @@ def suma(a, b):
     """
     Napisz funkcję, która zwraca sumę elementów.
     """
-    return 0
+    suma= a+b
+
+    return suma
 
 def tests(f):
     inputs = [(2, 3), (0, 0), (1, 1)]

labs04/zad5.py

@@ -0,0 +1,23 @@
+import os
+
+import glob
+
+import re
+
+import pandas
+
+
+
+if __name__ == "__main__":
+
+   bleu_files = glob.glob('./scores/model.iter*.npz.bleu')
+
+   lines = []
+
+   for bleu_file in bleu_files:
+
+       lines += [[os.path.abspath(bleu_file), float(re.sub(r'.*?=\s*([^,]+).*', '\\1', line.rstrip('\n')))] for line in open(bleu_file)]
+
+   df = pandas.DataFrame(lines, columns=list('AB'))
+
+   print(df['A'].loc[df['B'].idxmax()])

labs06/README.md

@@ -0,0 +1,18 @@
+## 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.

labs06/task02.py

@@ -0,0 +1,66 @@
+#!/usr/bin/env python
+# -*- coding: utf-8 -*-
+
+import pandas as pd
+import matplotlib.pyplot as plt
+
+
+def wczytaj_dane():
+    df = pd.read_csv("./mieszkania.csv", sep=',', header=0)
+    return df
+
+
+def most_common_room_number(dane):
+    return dane['Rooms'].value_counts().idxmax()
+
+
+def cheapest_flats(dane, n):
+    return dane.sort_values(by='Expected').head(n)
+
+
+def find_borough(desc):
+    dzielnice = ['Stare Miasto',
+                 'Wilda',
+                 'Jeżyce',
+                 'Rataje',
+                 'Piątkowo',
+                 'Winogrady',
+                 'Miłostowo',
+                 'Dębiec']
+    return next((desc for i in dzielnice if desc in i), 'Inne')
+
+
+def add_borough(dane):
+    dane['Borough'] = dane['Location'].apply(find_borough)
+
+
+def write_plot(dane, filename):
+    dane['Borough'].value_counts().plot(x='Borough', y='Quantity of adwerts', kind='bar')
+    plt.savefig('./'+filename)
+
+
+def mean_price(dane, room_number):
+    return dane[dane["Rooms"] == room_number]["Expected"].mean()
+
+
+def find_13(dane):
+    return dane[dane["Floor"] == 13]["Borough"].unique()
+
+
+def find_best_flats(dane):
+    return dane[(dane["Borough"] == "Winogrady") & (dane["Floor"] == 1) & (dane["Rooms"] == 3)]
+
+
+def main():
+    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")))
+
+    print("Średnia cena mieszkania 3-pokojowego, to: {}".format(mean_price(dane, 3)))
+
+if __name__ == "__main__":
+    main()
+

labs06/tasks.py

@@ -0,0 +1,86 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+
+"""
+1. Zaimportuj bibliotkę pandas jako pd.
+"""
+import pandas as pd
+
+"""
+2. Wczytaj zbiór danych `311.csv` do zniennej data.
+"""
+data = pd.read_csv("./311.csv", sep=',', header=0, low_memory=0)
+
+"""
+3. Wyświetl 5 pierwszych wierszy z data.
+"""
+print(data.head(5))
+
+"""
+4. Wyświetl nazwy kolumn.
+"""
+print(data.columns)
+
+"""
+5. Wyświetl ile nasz zbiór danych ma kolumn i wierszy.
+"""
+print(str(data.shape[1]) +', '+ str(data.shape[0]))
+
+"""
+6. Wyświetl kolumnę 'City' z powyższego zbioru danych.
+"""
+print(data['City'])
+
+"""
+7. Wyświetl jakie wartoścu przyjmuje kolumna 'City'.
+"""
+print(data['City'].unique())
+
+"""
+8. Wyświetl tabelę rozstawną kolumny City.
+"""
+print(pd.pivot_table(data,columns=['City']))
+
+"""
+9. Wyświetl tylko pierwsze 4 wiersze z wcześniejszego polecenia.
+"""
+print(pd.pivot_table(data,columns=['City']).head(4))
+
+"""
+10. Wyświetl, w ilu przypadkach kolumna City zawiera NaN.
+"""
+print(data['City'].isnull().sum())
+
+"""
+11. Wyświetl data.info()
+"""
+print(data.info())
+
+"""
+12. Wyświetl tylko kolumny Borough i Agency i tylko 5 ostatnich linii.
+"""
+print(data[['Borough','Agency']].tail(5))
+
+"""
+13. Wyświetl tylko te dane, dla których wartość z kolumny Agency jest równa
+NYPD. Zlicz ile jest takich przykładów.
+"""
+print(data[data['Agency'] == 'NYPD'])
+print(data['Agency'].value_counts()['NYPD'])
+
+"""
+14. Wyświetl wartość minimalną i maksymalną z kolumny Longitude.
+"""
+print(data['Longitude'].max())
+print(data['Longitude'].min())
+
+"""
+15. Dodaj kolumne diff, która powstanie przez sumowanie kolumn Longitude i Latitude.
+"""
+data['diff'] = data['Longitude'] + data['Latitude']
+
+"""
+16. Wyświetl tablę rozstawną dla kolumny 'Descriptor', dla której Agency jest
+równe NYPD.
+"""
+print(pd.pivot_table(data[data['Agency'] == 'NYPD'],columns=['Descriptor']))

labs07/gapminder.csv

@@ -0,0 +1,177 @@
+,female_BMI,male_BMI,gdp,population,under5mortality,life_expectancy,fertility
+Afghanistan,21.07402,20.62058,1311.0,26528741.0,110.4,52.8,6.2
+Albania,25.65726,26.44657,8644.0,2968026.0,17.9,76.8,1.76
+Algeria,26.368409999999997,24.5962,12314.0,34811059.0,29.5,75.5,2.73
+Angola,23.48431,22.25083,7103.0,19842251.0,192.0,56.7,6.43
+Antigua and Barbuda,27.50545,25.76602,25736.0,85350.0,10.9,75.5,2.16
+Argentina,27.46523,27.5017,14646.0,40381860.0,15.4,75.4,2.24
+Armenia,27.1342,25.355420000000002,7383.0,2975029.0,20.0,72.3,1.4
+Australia,26.87777,27.56373,41312.0,21370348.0,5.2,81.6,1.96
+Austria,25.09414,26.467409999999997,43952.0,8331465.0,4.6,80.4,1.41
+Azerbaijan,27.50879,25.65117,14365.0,8868713.0,43.3,69.2,1.99
+Bahamas,29.13948,27.24594,24373.0,348587.0,14.5,72.2,1.89
+Bahrain,28.790940000000003,27.83721,42507.0,1115777.0,9.4,77.6,2.23
+Bangladesh,20.54531,20.39742,2265.0,148252473.0,55.9,68.3,2.38
+Barbados,29.221690000000002,26.384390000000003,16075.0,277315.0,15.4,75.3,1.83
+Belarus,26.641859999999998,26.16443,14488.0,9526453.0,7.2,70.0,1.42
+Belgium,25.1446,26.75915,41641.0,10779155.0,4.7,79.6,1.82
+Belize,29.81663,27.02255,8293.0,306165.0,20.1,70.7,2.91
+Benin,23.74026,22.41835,1646.0,8973525.0,116.3,59.7,5.27
+Bhutan,22.88243,22.8218,5663.0,694990.0,48.1,70.7,2.51
+Bolivia,26.8633,24.43335,5066.0,9599916.0,52.0,71.2,3.48
+Bosnia and Herzegovina,26.35874,26.611629999999998,9316.0,3839749.0,8.1,77.5,1.22
+Botswana,26.09156,22.129839999999998,13858.0,1967866.0,63.8,53.2,2.86
+Brazil,25.99113,25.78623,13906.0,194769696.0,18.6,73.2,1.9
+Brunei,22.892310000000002,24.18179,72351.0,380786.0,9.0,76.9,2.1
+Bulgaria,25.51574,26.542859999999997,15368.0,7513646.0,13.7,73.2,1.43
+Burkina Faso,21.63031,21.27157,1358.0,14709011.0,130.4,58.0,6.04
+Burundi,21.27927,21.50291,723.0,8821795.0,108.6,59.1,6.48
+Cambodia,21.69608,20.80496,2442.0,13933660.0,51.5,66.1,3.05
+Cameroon,24.9527,23.681729999999998,2571.0,19570418.0,113.8,56.6,5.17
+Canada,26.698290000000004,27.4521,41468.0,33363256.0,5.8,80.8,1.68
+Cape Verde,24.96136,23.515220000000003,6031.0,483824.0,28.4,70.4,2.57
+Chad,21.95424,21.485689999999998,1753.0,11139740.0,168.0,54.3,6.81
+Chile,27.92807,27.015420000000002,18698.0,16645940.0,8.9,78.5,1.89
+China,22.91041,22.92176,7880.0,1326690636.0,18.5,73.4,1.53
+Colombia,26.22529,24.94041,10489.0,44901660.0,19.7,76.2,2.43
+Comoros,22.444329999999997,22.06131,1440.0,665414.0,91.2,67.1,5.05
+"Congo, Dem. Rep.",21.6677,19.86692,607.0,61809278.0,124.5,57.5,6.45
+"Congo, Rep.",23.10824,21.87134,5022.0,3832771.0,72.6,58.8,5.1
+Costa Rica,27.03497,26.47897,12219.0,4429506.0,10.3,79.8,1.91
+Cote d'Ivoire,23.82088,22.56469,2854.0,19261647.0,116.9,55.4,4.91
+Croatia,25.17882,26.596290000000003,21873.0,4344151.0,5.9,76.2,1.43
+Cuba,26.576140000000002,25.06867,17765.0,11290239.0,6.3,77.6,1.5
+Cyprus,25.92587,27.41899,35828.0,1077010.0,4.2,80.0,1.49
+Denmark,25.106270000000002,26.13287,45017.0,5495302.0,4.3,78.9,1.89
+Djibouti,24.38177,23.38403,2502.0,809639.0,81.0,61.8,3.76
+Ecuador,27.062690000000003,25.58841,9244.0,14447600.0,26.8,74.7,2.73
+Egypt,30.099970000000003,26.732429999999997,9974.0,78976122.0,31.4,70.2,2.95
+El Salvador,27.84092,26.36751,7450.0,6004199.0,21.6,73.7,2.32
+Equatorial Guinea,24.528370000000002,23.7664,40143.0,686223.0,118.4,57.5,5.31
+Eritrea,21.082320000000003,20.885089999999998,1088.0,4500638.0,60.4,60.1,5.16
+Estonia,25.185979999999997,26.264459999999996,24743.0,1339941.0,5.5,74.2,1.62
+Ethiopia,20.71463,20.247,931.0,83079608.0,86.9,60.0,5.19
+Fiji,29.339409999999997,26.53078,7129.0,843206.0,24.0,64.9,2.74
+Finland,25.58418,26.733390000000004,42122.0,5314170.0,3.3,79.6,1.85
+France,24.82949,25.853289999999998,37505.0,62309529.0,4.3,81.1,1.97
+Gabon,25.95121,24.0762,15800.0,1473741.0,68.0,61.7,4.28
+Gambia,24.82101,21.65029,1566.0,1586749.0,87.4,65.7,5.8
+Georgia,26.45014,25.54942,5900.0,4343290.0,19.3,71.8,1.79
+Germany,25.73903,27.165090000000003,41199.0,80665906.0,4.4,80.0,1.37
+Ghana,24.33014,22.842470000000002,2907.0,23115919.0,79.9,62.0,4.19
+Greece,24.92026,26.33786,32197.0,11161755.0,4.9,80.2,1.46
+Grenada,27.31948,25.179879999999997,12116.0,103934.0,13.5,70.8,2.28
+Guatemala,26.84324,25.29947,6960.0,14106687.0,36.9,71.2,4.12
+Guinea,22.45206,22.52449,1230.0,10427356.0,121.0,57.1,5.34
+Guinea-Bissau,22.92809,21.64338,1326.0,1561293.0,127.6,53.6,5.25
+Guyana,26.470190000000002,23.68465,5208.0,748096.0,41.9,65.0,2.74
+Haiti,23.27785,23.66302,1600.0,9705130.0,83.3,61.0,3.5
+Honduras,26.73191,25.10872,4391.0,7259470.0,26.5,71.8,3.27
+"Hong Kong, China",23.71046,25.057470000000002,46635.0,6910384.0,3.06,82.49,1.04
+Hungary,25.97839,27.115679999999998,23334.0,10050699.0,7.2,73.9,1.33
+Iceland,26.02599,27.206870000000002,42294.0,310033.0,2.7,82.4,2.12
+India,21.31478,20.95956,3901.0,1197070109.0,65.6,64.7,2.64
+Indonesia,22.986929999999997,21.85576,7856.0,235360765.0,36.2,69.4,2.48
+Iran,27.236079999999998,25.310029999999998,15955.0,72530693.0,21.4,73.1,1.88
+Iraq,28.411170000000002,26.71017,11616.0,29163327.0,38.3,66.6,4.34
+Ireland,26.62176,27.65325,47713.0,4480145.0,4.5,80.1,2.0
+Israel,27.301920000000003,27.13151,28562.0,7093808.0,4.9,80.6,2.92
+Italy,24.79289,26.4802,37475.0,59319234.0,4.1,81.5,1.39
+Jamaica,27.22601,24.00421,8951.0,2717344.0,18.9,75.1,2.39
+Japan,21.87088,23.50004,34800.0,127317900.0,3.4,82.5,1.34
+Jordan,29.218009999999996,27.47362,10897.0,6010035.0,22.1,76.9,3.59
+Kazakhstan,26.65065,26.290779999999998,18797.0,15915966.0,25.9,67.1,2.51
+Kenya,23.06181,21.592579999999998,2358.0,38244442.0,71.0,60.8,4.76
+Kiribati,31.30769,29.2384,1803.0,98437.0,64.5,61.5,3.13
+Kuwait,31.161859999999997,29.172109999999996,91966.0,2705290.0,11.3,77.3,2.68
+Latvia,25.615129999999997,26.45693,20977.0,2144215.0,10.5,72.4,1.5
+Lebanon,27.70471,27.20117,14158.0,4109389.0,11.3,77.8,1.57
+Lesotho,26.780520000000003,21.90157,2041.0,1972194.0,114.2,44.5,3.34
+Liberia,23.21679,21.89537,588.0,3672782.0,100.9,59.9,5.19
+Libya,29.19874,26.54164,29853.0,6123022.0,18.8,75.6,2.64
+Lithuania,26.01424,26.86102,23223.0,3219802.0,8.2,72.1,1.42
+Luxembourg,26.09326,27.434040000000003,95001.0,485079.0,2.8,81.0,1.63
+"Macao, China",24.895039999999998,25.713820000000002,80191.0,507274.0,6.72,79.32,0.94
+"Macedonia, FYR",25.37646,26.34473,10872.0,2055266.0,11.8,74.5,1.47
+Madagascar,20.73501,21.403470000000002,1528.0,19926798.0,66.7,62.2,4.79
+Malawi,22.91455,22.034679999999998,674.0,13904671.0,101.1,52.4,5.78
+Malaysia,25.448320000000002,24.73069,19968.0,27197419.0,8.0,74.5,2.05
+Maldives,26.4132,23.219910000000002,12029.0,321026.0,16.0,78.5,2.38
+Mali,23.07655,21.78881,1602.0,14223403.0,148.3,58.5,6.82
+Malta,27.04993,27.683609999999998,27872.0,406392.0,6.6,80.7,1.38
+Mauritania,26.26476,22.62295,3356.0,3414552.0,103.0,67.9,4.94
+Mauritius,26.09824,25.15669,14615.0,1238013.0,15.8,72.9,1.58
+Mexico,28.737509999999997,27.42468,15826.0,114972821.0,17.9,75.4,2.35
+"Micronesia, Fed. Sts.",31.28402,28.10315,3197.0,104472.0,43.1,68.0,3.59
+Moldova,27.05617,24.2369,3890.0,4111168.0,17.6,70.4,1.49
+Mongolia,25.71375,24.88385,7563.0,2629666.0,34.8,64.8,2.37
+Montenegro,25.70186,26.55412,14183.0,619740.0,8.1,76.0,1.72
+Morocco,26.223090000000003,25.63182,6091.0,31350544.0,35.8,73.3,2.44
+Mozambique,23.317339999999998,21.93536,864.0,22994867.0,114.4,54.0,5.54
+Myanmar,22.47733,21.44932,2891.0,51030006.0,87.2,59.4,2.05
+Namibia,25.14988,22.65008,8169.0,2115703.0,62.2,59.1,3.36
+Nepal,20.72814,20.76344,1866.0,26325183.0,50.7,68.4,2.9
+Netherlands,25.47269,26.01541,47388.0,16519862.0,4.8,80.3,1.77
+New Zealand,27.36642,27.768929999999997,32122.0,4285380.0,6.4,80.3,2.12
+Nicaragua,27.57259,25.77291,4060.0,5594524.0,28.1,77.0,2.72
+Niger,21.95958,21.21958,843.0,15085130.0,141.3,58.0,7.59
+Nigeria,23.674020000000002,23.03322,4684.0,151115683.0,140.9,59.2,6.02
+Norway,25.73772,26.934240000000003,65216.0,4771633.0,3.6,80.8,1.96
+Oman,26.66535,26.241090000000003,47799.0,2652281.0,11.9,76.2,2.89
+Pakistan,23.44986,22.299139999999998,4187.0,163096985.0,95.5,64.1,3.58
+Panama,27.67758,26.26959,14033.0,3498679.0,21.0,77.3,2.61
+Papua New Guinea,25.77189,25.015060000000002,1982.0,6540267.0,69.7,58.6,4.07
+Paraguay,25.90523,25.54223,6684.0,6047131.0,25.7,74.0,3.06
+Peru,25.98511,24.770410000000002,9249.0,28642048.0,23.2,78.2,2.58
+Philippines,23.4671,22.872629999999997,5332.0,90297115.0,33.4,69.8,3.26
+Poland,25.918870000000002,26.6738,19996.0,38525752.0,6.7,75.4,1.33
+Portugal,26.183020000000003,26.68445,27747.0,10577458.0,4.1,79.4,1.36
+Puerto Rico,30.2212,28.378040000000002,35855.0,3728126.0,8.78,77.0,1.69
+Qatar,28.912509999999997,28.13138,126076.0,1388962.0,9.5,77.9,2.2
+Romania,25.22425,25.41069,18032.0,20741669.0,16.1,73.2,1.34
+Russia,27.21272,26.01131,22506.0,143123163.0,13.5,67.9,1.49
+Rwanda,22.07156,22.55453,1173.0,9750314.0,78.3,64.1,5.06
+Samoa,33.659079999999996,30.42475,5731.0,183440.0,18.8,72.3,4.43
+Sao Tome and Principe,24.88216,23.51233,2673.0,163595.0,61.0,66.0,4.41
+Saudi Arabia,29.598779999999998,27.884320000000002,44189.0,26742842.0,18.1,78.3,2.97
+Senegal,24.30968,21.927429999999998,2162.0,12229703.0,75.8,63.5,5.11
+Serbia,25.669970000000003,26.51495,12522.0,9109535.0,8.0,74.3,1.41
+Seychelles,27.973740000000003,25.56236,20065.0,91634.0,14.2,72.9,2.28
+Sierra Leone,23.93364,22.53139,1289.0,5521838.0,179.1,53.6,5.13
+Singapore,22.86642,23.83996,65991.0,4849641.0,2.8,80.6,1.28
+Slovak Republic,26.323729999999998,26.92717,24670.0,5396710.0,8.8,74.9,1.31
+Slovenia,26.582140000000003,27.43983,30816.0,2030599.0,3.7,78.7,1.43
+Solomon Islands,28.8762,27.159879999999998,1835.0,503410.0,33.1,62.3,4.36
+Somalia,22.66607,21.969170000000002,615.0,9132589.0,168.5,52.6,7.06
+South Africa,29.4803,26.85538,12263.0,50348811.0,66.1,53.4,2.54
+Spain,26.30554,27.49975,34676.0,45817016.0,5.0,81.1,1.42
+Sri Lanka,23.11717,21.96671,6907.0,19949553.0,11.7,74.0,2.32
+Sudan,23.16132,22.40484,3246.0,34470138.0,84.7,65.5,4.79
+Suriname,27.749859999999998,25.49887,13470.0,506657.0,26.4,70.2,2.41
+Swaziland,28.448859999999996,23.16969,5887.0,1153750.0,112.2,45.1,3.7
+Sweden,25.1466,26.37629,43421.0,9226333.0,3.2,81.1,1.92
+Switzerland,24.07242,26.20195,55020.0,7646542.0,4.7,82.0,1.47
+Syria,28.87418,26.919690000000003,6246.0,20097057.0,16.5,76.1,3.17
+Tajikistan,23.84799,23.77966,2001.0,7254072.0,56.2,69.6,3.7
+Tanzania,23.0843,22.47792,2030.0,42844744.0,72.4,60.4,5.54
+Thailand,24.38577,23.008029999999998,12216.0,66453255.0,15.6,73.9,1.48
+Timor-Leste,21.50694,20.59082,1486.0,1030915.0,70.2,69.9,6.48
+Togo,22.73858,21.87875,1219.0,6052937.0,96.4,57.5,4.88
+Tonga,34.25969,30.99563,4748.0,102816.0,17.0,70.3,4.01
+Trinidad and Tobago,28.27587,26.396690000000003,30875.0,1315372.0,24.9,71.7,1.8
+Tunisia,27.93706,25.15699,9938.0,10408091.0,19.4,76.8,2.04
+Turkey,28.247490000000003,26.703709999999997,16454.0,70344357.0,22.2,77.8,2.15
+Turkmenistan,24.66154,25.24796,8877.0,4917541.0,63.9,67.2,2.48
+Uganda,22.48126,22.35833,1437.0,31014427.0,89.3,56.0,6.34
+Ukraine,26.23317,25.42379,8762.0,46028476.0,12.9,67.8,1.38
+United Arab Emirates,29.614009999999997,28.053590000000003,73029.0,6900142.0,9.1,75.6,1.95
+United Kingdom,26.944490000000002,27.392490000000002,37739.0,61689620.0,5.6,79.7,1.87
+United States,28.343590000000003,28.456979999999998,50384.0,304473143.0,7.7,78.3,2.07
+Uruguay,26.593040000000002,26.39123,15317.0,3350832.0,13.0,76.0,2.11
+Uzbekistan,25.43432,25.32054,3733.0,26952719.0,49.2,69.6,2.46
+Vanuatu,28.458759999999998,26.78926,2944.0,225335.0,28.2,63.4,3.61
+Venezuela,28.134079999999997,27.445,17911.0,28116716.0,17.1,74.2,2.53
+Vietnam,21.065,20.9163,4085.0,86589342.0,26.2,74.1,1.86
+West Bank and Gaza,29.026429999999998,26.5775,3564.0,3854667.0,24.7,74.1,4.38
+Zambia,23.05436,20.68321,3039.0,13114579.0,94.9,51.1,5.88
+Zimbabwe,24.645220000000002,22.0266,1286.0,13495462.0,98.3,47.3,3.85