modified codes for labs06

labs01/podstawy.py

@@ -168,6 +168,7 @@ for i in range(5):# range[5] = [0,1,2,3,4]
 
 for zmienna in lista:
     # operacje do wykonania w pętli
+    pass
 
 
 # In[ ]:

labs02/intro_task.py

@@ -9,48 +9,64 @@ Zadania wprowadzające do pierwszych ćwiczeń.
 """
 Wypisz na ekran swoje imię i nazwisko.
 """
-
+print('Grzegorz Hermann')
 
 """
 Oblicz i wypisz na ekran pole koła o promienie 10. Jako PI przyjmij 3.14.
 """
+print(3.14*10**2)
 
 """
 Stwórz zmienną pole_kwadratu i przypisz do liczbę: pole kwadratu o boku 3.
 """
+pole_kwadratu = 3**2
 
 """
 Stwórz 3 elementową listę, która zawiera nazwy 3 Twoich ulubionych owoców.
 Wynik przypisz do zmiennej `owoce`.
 """
+owoce = ['morele','mango','winogrono']
+print(owoce)
 
 """
 Dodaj do powyższej listy jako nowy element "pomidor".
 """
+owoce.append('pomidor')
+print(owoce)
 
 """
 Usuń z powyższej listy drugi element.
 """
-
+owoce.pop(1)
+print(owoce)
 
 """
 Rozszerz listę o tablice ['Jabłko', "Gruszka"].
 """
+owoce.extend(['Jabłko', "Gruszka"])
+print(owoce)
 
 """
 Wyświetl listę owoce, ale bez pierwszego i ostatniego elementu.
 """
+n = len(owoce)
+print(owoce[1:n-1])
 
 """
 Wyświetl co trzeci element z listy owoce.
 """
+print(owoce[::3])
 
 """
 Stwórz pusty słownik i przypisz go do zmiennej magazyn.
 """
+slownik = {}
+magazyn = slownik
 
 """
 Dodaj do słownika magazyn owoce z listy owoce, tak, aby owoce były kluczami,
 zaś wartościami były równe 5.
 """
-
+for o in owoce:
+    magazyn[o] = 5
+print(magazyn)

labs02/task01.py

@@ -7,8 +7,7 @@ która zawiera tylko elementy z list o parzystych indeksach.
 """
 
 def even_elements(lista):
-    pass
+    return lista[::2]
-
 
 def tests(f):
     inputs = [[[1, 2, 3, 4, 5, 6]], [[]], [[41]]]

labs02/task02.py

@@ -6,7 +6,10 @@
 """
 
 def days_in_year(days):
-    pass
+    if ((days%4 == 0) and (days%100 != 0)) or (days%400 == 0):
+        return 366
+    else:
+        return 365
 
 def tests(f):
     inputs = [[2015], [2012], [1900], [2400], [1977]]

labs02/task03.py

@@ -1,7 +1,6 @@
 #!/usr/bin/env python
 # -*- coding: utf-8 -*-
 
-
 """
 Zad 4. Napisz funkcje oov(text, vocab), która zwraca listę wyrazów
 (bez duplikatów), które występują w tekście text i nie występują w liście
@@ -11,11 +10,20 @@ litery. (OOV = out of vocabulary) (W pythonie istnieje struktura danych tak
 jak 'set', która przechowuje elementy bez powtórzeń.)
 """
 
-
 def oov(text, vocab):
-    pass
+    text_lower = ''
-
+    vocab_lower = []
-
+    for i in text:
+        if i.islower():
+            text_lower += i
+        else:
+            text_lower += i.lower()
+    for i in vocab:
+        if i.islower():
+            vocab_lower.append(i)
+        else:
+            vocab_lower.append(i.lower())
+    return sorted(set(text_lower.split()) - set(vocab_lower))
 
 def tests(f):
     inputs = [("this is a string , which i will use for string testing",

labs02/task04.py

@@ -7,8 +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 sum(range(0,n+1))
+    else:
+        return 0
 
 def tests(f):
     inputs = [[999], [-100]]

labs02/task05.py

@@ -1,16 +1,16 @@
 #!/usr/bin/env python
 # -*- coding: utf-8 -*-
 
-
 """
 Napisz funkcję euclidean_distance obliczającą odległość między
 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((x[0] - y[0]) ** 2 + (x[1] - y[1]) ** 2 + (x[2] - y[2]) ** 2)
 
 def tests(f):
     inputs = [[(2.3, 4.3, -7.5), (2.3, 8.5, -7.5)]]

labs02/task06.py

@@ -10,7 +10,10 @@ 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:
+        return "N"+"O"*n+"!"
 
 def tests(f):
     inputs = [[5], [6], [2]]

labs02/task07.py

@@ -5,8 +5,12 @@
 Napisz funkcję char_sum, która dla zadanego łańcucha zwraca
 sumę kodów ASCII znaków.
 """
+
 def char_sum(text):
-    pass
+    total = 0
+    for letter in str(text):
+        total += ord(letter)
+    return total
 
 def tests(f):
     inputs = [["this is a string"], ["this is another string"]]

labs02/task08.py

@@ -7,7 +7,11 @@ przez 3 lub 5 mniejszych niż n.
 """
 
 def sum_div35(n):
-    pass
+    total = 0
+    for i in range(n):
+        if ((i %3 == 0) or (i %5 == 0)):
+            total += i
+    return total
 
 def tests(f):
     inputs = [[10], [100], [3845]]

labs02/task09.py

@@ -7,10 +7,9 @@ na podobnie wyglądające cyfry: 'e' na '3', 'l' na '1', 'o' na '0', 't' na '7'.
 Np. leet('leet') powinno zwrócić '1337'.
 """
 
-
 def leet_speak(text):
-    pass
+    replace_dict = {ord('e'): '3', ord('l'): '1', ord('o'): '0', ord('t'): '7'}
-
+    return text.translate(replace_dict)
 
 def tests(f):
     inputs = [['leet'], ['do not want']]

labs02/task10.py

@@ -1,15 +1,19 @@
 #!/usr/bin/env python
 # -*- coding: utf-8 -*-
 
-
 """
 Napisz funkcję pokemon_speak, która zamienia w podanym napisie co drugą literę
 na wielką. Np. pokemon_speak('pokemon') powinno zwrócić 'PoKeMoN'.
 """
 
-
 def pokemon_speak(text):
-    pass
+    word = ''
+    for index, value in enumerate(text):
+        if index %2 == 0 and value.islower():
+            word += value.upper()
+        else:
+            word += value
+    return word
 
 
 def tests(f):

labs02/task11.py

@@ -1,16 +1,19 @@
 #!/usr/bin/env python
 # -*- coding: utf-8 -*-
 
-
 """
 Napisz funkcję common_chars(string1, string2), która zwraca alfabetycznie
 uporządkowaną listę wspólnych liter z lańcuchów string1 i string2.
 Oba napisy będą składać się wyłacznie z małych liter.
 """
 
-def common_chars(string1, string2):
+import re
-    pass
 
+def common_chars(string1, string2):
+    a = re.split('[^a-zA-Z]', string1)
+    b = re.split('[^a-zA-Z]', string2)
+    return sorted(set(list(''.join(a))) & set(list(''.join(b))))
+    #return sorted(set(list(a)) & set(list(b)))
 
 def tests(f):
     inputs = [["this is a string", "ala ma kota"]]

labs02/test_task.py

@@ -1,12 +1,12 @@
 #!/usr/bin/env python3
 # -*- coding: utf-8 -*-
 
+"""
+  Napisz funkcję, która zwraca sumę elementów.
+  """
 
 def suma(a, b):
-    """
+    return a + b
-    Napisz funkcję, która zwraca sumę elementów.
-    """
-    return 0
 
 def tests(f):
     inputs = [(2, 3), (0, 0), (1, 1)]

labs04/task02.py

@@ -0,0 +1,20 @@
+"""
+**ćwiczenie 2**
+Napisz generator, który będzie zwracać ``n`` kolejnych liczb ciągu Fibonacciego (``F(0)=1, F(1)=1, FN=F(N-1) + F(N-2)``).
+"""
+
+import itertools as it
+
+n = int(input('Number of occursion: '))
+
+def fibo():
+    a, b = 0, 1
+    while 1:
+        yield a
+        b = a + b
+        yield b
+        a = a+b
+gen = fibo()
+
+for i in it.islice(fibo(), n):
+    print(i)

labs04/task05.py

@@ -0,0 +1,20 @@
+"""
+**ćwiczenie 5**
+Katalog scores zawiera 64 pliki tekstowe, które posiadają informacje o wysokości miary ``BLEU`` na różnych etapach trenowania modelu. Nazwa każdego pliku na postać  ``model.iterXXXXXXX.npz.bleu``, gdzie ``XXXXXXX``, to liczba iteracji.Zawartość każdego pliku jest podobna i ma następującą formę: *BLEU = YY.YY, 44.4/18.5/9.3/5.0 (BP=1.000, ratio=1.072, hyp_len=45976, ref_len=42903)*, gdzie ``YY.YY`` to wartość miary ``BLEU``. Znajdź plik, który zawiera najwyższą wartość miary ``BLEU``.
+ * Wykorzystaj bibliotekę ``glob`` (https://docs.python.org/2/library/glob.html)
+ * Wyświetl tylko pełną nazwe pliku (wraz z ścieżką).
+"""
+
+import pandas as pd
+import glob
+
+path = r'/home/ghermann/code/python_td/labs04/scores' #change for your system
+files = glob.glob(path + '/*.npz.bleu')
+
+dfs = [pd.read_csv(fp, sep=" ", header=None).assign(filepath=fp) for fp in files]
+df = pd.concat(dfs, ignore_index=True)
+
+df[2] = df[2].map(lambda c: c.rstrip(','))
+df[2] = pd.to_numeric(df[2], errors='coerce')
+
+print(df.at[df[2].idxmax(), 'filepath'])

labs06/README.md

@@ -4,15 +4,25 @@
 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.
+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. Napisz funkcje, która wczyta zestaw danych z pliku *mieszkania.csv* i zwróci obiekt typu *DataFrame*.
- 1. Uzupełnij funkcję ``most_common_room_number``, która zwróci jaka jest najpopularniejsza liczba pokoi w ogłoszeniach. Funkcji powinna zwrócić liczbę całkowitą.
+    Jeżeli wszystko zostało zrobione poprawnie, powinno się wyśtwietlić 5 pierwszych wierszy.
- 1. Uzupełnij kod w funkcji ``cheapest_flats(dane, n)``, która wzróci *n* najtańszych ofert mieszkań. Wzrócony obiekt typu ``DataFrame``.
+ 1. Uzupełnij funkcję ``most_common_room_number``, która zwróci jaka jest najpopularniejsza liczba pokoi w ogłoszeniach.
- 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*.
+    Funkcji powinna zwrócić liczbę całkowitą.
- 1. Dodaj kolumnę ``Borough``, która będzie zawierać informacje o dzielnicach i powstanie z kolumny ``Localization``. Wykorzystaj do tego funkcję ``find_borough``.
+ 1. Uzupełnij kod w funkcji ``cheapest_flats(dane, n)``, która wzróci *n* najtańszych ofert mieszkań.
- 1. Uzupełnił funkcje ``write_plot``, która zapisze do pliku ``filename`` wykres słupkowy przedstawiający liczbę ogłoszeń mieszkań z podziałem na dzielnice.
+    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. Napisz funkcje ``find_best_flats``, która zwróci wszystkie ogłoszenia mieszkań, które znajdują się na Winogradach,
- 1. *(dodatkowe)*: Korzystając z pakietu *sklearn* zbuduj model regresji liniowej, która będzie wyznaczać cenę mieszkania na podstawie wielkości mieszkania i liczby pokoi.
+    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

@@ -1,14 +1,21 @@
 #!/usr/bin/env python
 # -*- coding: utf-8 -*-
+import pandas as pd
+import matplotlib.pyplot as plt
+
 
 def wczytaj_dane():
-    pass
+    df = pd.read_csv("./mieszkania.csv", sep=',', header=0)
+    return df
+
 
 def most_common_room_number(dane):
-    pass
+    return dane['Rooms'].value_counts().idxmax()
+
 
 def cheapest_flats(dane, n):
-    pass
+    return dane.sort_values(by='Expected').head(n)
+
 
 def find_borough(desc):
     dzielnice = ['Stare Miasto',
@@ -19,36 +26,39 @@ def find_borough(desc):
                  'Winogrady',
                  'Miłostowo',
                  'Dębiec']
-    pass
+    return next((desc for i in dzielnice if desc in i), 'Inne')
 
 
 def add_borough(dane):
-    pass
+    dane['Borough'] = dane['Location'].apply(find_borough)
+
 
 def write_plot(dane, filename):
-    pass
+    dane['Borough'].value_counts().plot(x='Borough', y='Quantity of adwerts', kind='bar')
+    plt.savefig('./'+filename)
+
 
 def mean_price(dane, room_number):
-    pass
+    return dane[dane["Rooms"] == room_number]["Expected"].mean()
+
 
 def find_13(dane):
-    pass
+    return dane[dane["Floor"] == 13]["Borough"].unique()
+
 
 def find_best_flats(dane):
-    pass
+    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: {}"
+    print("Najpopularniejsza liczba pokoi w mieszkaniu to: {}".format(most_common_room_number(dane)))
-          .format(most_common_room_number(dane)))
 
-    print("{} to najłądniejsza dzielnica w Poznaniu."
+    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: {}"
+    print("Średnia cena mieszkania 3-pokojowego, to: {}".format(mean_price(dane, 3)))
-          .format(mean_price(dane, 3)))
 
 if __name__ == "__main__":
     main()

labs06/tasks.py

@@ -4,77 +4,83 @@
 """
 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']))