Compare commits

..

16 Commits

Author SHA1 Message Date
wagner.agnieszka
325549ab4a passed 2018-06-23 01:00:53 +02:00
wagner.agnieszka
49fe26305c passed 2018-06-22 22:38:06 +02:00
wagner.agnieszka
7a8dadbe3b passed 2018-06-03 20:24:02 +02:00
s327689
91a014aa96 tasks 2018-06-03 12:34:25 +02:00
s327689
02c198ef0a Merge branch 'master' of https://git.wmi.amu.edu.pl/s327689/Python2018 2018-06-03 11:11:15 +02:00
s327689
928056aa2e tasks 2018-06-03 11:07:28 +02:00
s327689
fbc307f164 Merge branch 'master' of https://git.wmi.amu.edu.pl/tdwojak/Python2018 2018-06-03 10:10:58 +02:00
s327689
68c99447a9 tasks 2018-06-03 10:10:45 +02:00
wagner.agnieszka
f4e009d148 passed 2018-06-03 00:23:55 +02:00
wagner.agnieszka
bac748992f passed 2018-06-01 19:28:21 +02:00
wagner.agnieszka
96214d2d3f passed 2018-06-01 19:04:52 +02:00
wagner.agnieszka
6d503b377c passed 2018-06-01 18:38:11 +02:00
wagner.agnieszka
fd1d22ef4d passed 2018-06-01 17:55:41 +02:00
wagner.agnieszka
8e45dba2e5 passed 2018-06-01 17:32:25 +02:00
s327689
84ac4edce9 passed 2018-06-01 17:09:47 +02:00
s327689
7714575879 my results 2018-05-13 12:54:51 +02:00
16 changed files with 314 additions and 48 deletions

View File

@ -9,48 +9,55 @@ Zadania wprowadzające do pierwszych ćwiczeń.
"""
Wypisz na ekran swoje imię i nazwisko.
"""
print("Agnieszka Wagner")
"""
Oblicz i wypisz na ekran pole koła o promienie 10. Jako PI przyjmij 3.14.
"""
pole = 3.14 * (10.0 ** 2)
print(pole)
"""
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 = ['jabłko', 'gruszka', 'malina']
"""
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.append(['Jabłko', "Gruszka"])
print(owoce)
"""
Wyświetl listę owoce, ale bez pierwszego i ostatniego elementu.
"""
print(owoce[1:-1])
"""
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 i in owoce:
magazyn[i] = 5
print(magazyn)

View File

@ -7,7 +7,8 @@ która zawiera tylko elementy z list o parzystych indeksach.
"""
def even_elements(lista):
pass
return(lista[::2])
def tests(f):
@ -23,3 +24,4 @@ def tests(f):
if __name__ == "__main__":
print(tests(even_elements))

View File

@ -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]]

View File

@ -13,7 +13,13 @@ jak 'set', która przechowuje elementy bez powtórzeń.)
def oov(text, vocab):
pass
flag = []
textSegm = set(text.split(' '))
for word in textSegm:
if word not in vocab:
flag.append(word)
return flag
@ -30,3 +36,9 @@ def tests(f):
if __name__ == "__main__":
print(tests(oov))
text = "this is a string , which i will use for string testing"
textSegm = set(text.split(' '))
print(textSegm)
len(textSegm)

View File

@ -7,7 +7,14 @@ Jeśli podany argument jest mniejszy od 1 powinna być zwracana wartość 0.
"""
def sum_from_one_to_n(n):
pass
sum = 0
if n < 1:
return 0
else:
for i in range(n+1):
sum += i
return sum
def tests(f):

View File

@ -10,7 +10,13 @@ np. odległość pomiędzy punktami (0, 0, 0) i (3, 4, 0) jest równa 5.
"""
def euclidean_distance(x, y):
pass
sum = 0
for i in range(len(x)):
result = (x[i] - y[i])**2
sum += result
return(sum**0.5)
def tests(f):
inputs = [[(2.3, 4.3, -7.5), (2.3, 8.5, -7.5)]]

View File

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

View File

@ -6,7 +6,10 @@ Napisz funkcję char_sum, która dla zadanego łańcucha zwraca
sumę kodów ASCII znaków.
"""
def char_sum(text):
pass
x = 0
for c in text:
x += ord(c)
return (x)
def tests(f):
inputs = [["this is a string"], ["this is another string"]]

View File

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

View File

@ -9,8 +9,15 @@ Np. leet('leet') powinno zwrócić '1337'.
def leet_speak(text):
pass
if 'e' in text :
text = text.replace("e", "3")
if "l" in text :
text = text.replace("l", "1")
if "o" in text :
text = text.replace("o", "0")
if "t" in text :
text = text.replace("t", "7")
return(text)
def tests(f):
inputs = [['leet'], ['do not want']]

View File

@ -9,7 +9,13 @@ na wielką. Np. pokemon_speak('pokemon') powinno zwrócić 'PoKeMoN'.
def pokemon_speak(text):
pass
if text[:].isupper() == True :
return(text)
else :
R = [''] * len(text)
R[::2], R[1::2] = text[::2].upper(), text[1::2].lower()
R = ''.join(R)
return(R)
def tests(f):

View File

@ -9,8 +9,12 @@ Oba napisy będą składać się wyłacznie z małych liter.
"""
def common_chars(string1, string2):
pass
string1 = "this is a string"
string2 = "ala ma kota"
s = set(string1.replace(" ", ""))
t = set(string2.replace(" ", ""))
intersect = s & t
return(sorted(list(intersect)))
def tests(f):
inputs = [["this is a string", "ala ma kota"]]

21
labs04/labs04Task5.py Normal file
View File

@ -0,0 +1,21 @@
import glob
filelist = glob.glob('scores\\*.bleu')
bleu_filename = ''
max_bleu = 0
def find_bleu(bleu_list, max_bleu):
for bleufile in bleu_list:
content = open(bleufile, 'r').read()
bleu = content.split(r',')
bleu_datum = bleu[0].split()
if max_bleu <= float(bleu_datum[2]):
max_bleu = float(bleu_datum[2])
bleu_filename = bleufile
return bleu_filename, max_bleu
# filename, max_bleu = find_bleu([filelist[0]], max_bleu)
filename, max_bleu = find_bleu(filelist, max_bleu)
print(filename)

56
labs06/linearModel.py Normal file
View File

@ -0,0 +1,56 @@
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import sklearn
import pandas as pd
import numpy as np
dane = pd.read_csv("mieszkania.csv")
print(dane.head())
print(dane.columns)
# check data for outliers
from matplotlib import pyplot as plt
plt.scatter(dane['SqrMeters'], dane['Expected'], color='g')
plt.show()
# remove all data points that have expected price <= 500.000 and living area <= 200 sqrt meters
plt.scatter(dane['Rooms'], dane['Expected'], color='g')
plt.show()
# remove all data points that represent flats with more than 8 rooms
flats = dane[(dane['Rooms'] < 10) & (dane['SqrMeters'] <= 200) & (dane['Expected'] <= 500000)]
print(flats.head(20))
y = flats['Expected']
X = flats.drop(['Id', 'Expected', 'Floor', 'Location',
'Description', 'Unnamed: 7', 'Unnamed: 8', 'Unnamed: 9', 'Unnamed: 10', 'Unnamed: 11'], axis=1)
print(y.head())
print(X.head())
from sklearn.model_selection import train_test_split
train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=0.3, random_state=38, shuffle=True)
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X,y)
predicted = model.predict(test_X)
print("Predictions:", predicted[:5])
for p in zip(train_X.columns, model.coef_):
print("Intercept for {}: {:.3}".format(p[0], p[1]))
from sklearn.metrics import mean_squared_error
rmse = np.sqrt(mean_squared_error(predicted, test_y))
print("RMSE:", rmse)
r2 = model.score(test_X, test_y)
print("R squared:", r2) # 0.54 comparing to 0.02 before cleaning the data

View File

@ -1,14 +1,22 @@
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import pandas as pd
import matplotlib.pyplot as plt
def wczytaj_dane():
pass
dane = pd.read_csv("mieszkania.csv")
print(dane.head())
return(dane)
def most_common_room_number(dane):
pass
return(dane['Rooms'].value_counts().idxmax())
def cheapest_flats(dane, n):
pass
p = dane.sort_values(['Expected'], ascending=[0])
p.head(7)
def find_borough(desc):
dzielnice = ['Stare Miasto',
@ -18,37 +26,139 @@ def find_borough(desc):
'Piątkowo',
'Winogrady',
'Miłostowo',
'Dębiec']
pass
'Dębiec',
'Grunwald',
'Nowe Miasto']
check = 0
for dzielnica in dzielnice:
if dzielnica in desc:
check = 1
save_dzielnica = dzielnica
if check == 1:
return(save_dzielnica)
else:
return("Inne")
def add_borough(dane):
pass
dzielnice = ['Stare Miasto',
'Wilda',
'Jeżyce',
'Rataje',
'Piątkowo',
'Winogrady',
'Miłostowo',
'Dębiec',
'Grunwald',
'Nowe Miasto']
Borough = []
column = dane['Location']
for item in column:
check = 0
for dzielnica in dzielnice:
if dzielnica in item:
check = 1
save_dzielnica = dzielnica
if check == 1:
Borough.append(save_dzielnica)
else:
Borough.append("Inne")
Borough = pd.DataFrame(Borough)
dane = pd.concat([dane.reset_index(drop=True), Borough], axis=1)
print(dane)
def write_plot(dane, filename):
pass
dane.groupby('Borough')['Id'].nunique().plot(kind='bar')
plt.show()
plt.savefig('output.png')
def mean_price(dane, room_number):
pass
p1 = dane[dane['Rooms'] == room_number]
p2 = p1['Expected']
return(p2.mean())
def find_13(dane):
pass
p1 = dane[dane['Floor'] == 13]
p1.Location.unique()
def find_best_flats(dane):
pass
p_index = dane['Location'].str.contains('Winogrady')
p = dane[p_index]
best_flats = p[(p['Rooms'] == 3) & (p['Floor'] == 1)]
print(best_flats)
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("{} to najładniejsza 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()
# zadanie dodatkowe
import sklearn
import pandas as pd
import numpy as np
dane = pd.read_csv("mieszkania.csv")
print(dane.head())
print(dane.columns)
# check data for outliers
from matplotlib import pyplot as plt
plt.scatter(dane['SqrMeters'], dane['Expected'], color='g')
plt.show()
# remove all data points that have expected price <= 500.000 and living area <= 200 sqrt meters
plt.scatter(dane['Rooms'], dane['Expected'], color='g')
plt.show()
# remove all data points that represent flats with more than 8 rooms
flats = dane[(dane['Rooms'] < 10) & (dane['SqrMeters'] <= 200) & (dane['Expected'] <= 500000)]
print(flats.head(20))
y = flats['Expected']
X = flats.drop(['Id', 'Expected', 'Floor', 'Location',
'Description', 'Unnamed: 7', 'Unnamed: 8', 'Unnamed: 9', 'Unnamed: 10', 'Unnamed: 11'], axis=1)
print(y.head())
print(X.head())
from sklearn.model_selection import train_test_split
train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=0.3, random_state=38, shuffle=True)
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X,y)
predicted = model.predict(test_X)
print("Predictions:", predicted[:5])
for p in zip(train_X.columns, model.coef_):
print("Intercept for {}: {:.3}".format(p[0], p[1]))
from sklearn.metrics import mean_squared_error
rmse = np.sqrt(mean_squared_error(predicted, test_y))
print("RMSE:", rmse)
r2 = model.score(test_X, test_y)
print("R squared:", r2) # 0.54 comparing to 0.02 before cleaning the data

View File

@ -4,77 +4,92 @@
"""
1. Zaimportuj bibliotkę pandas jako pd.
"""
import pandas as pd
"""
2. Wczytaj zbiór danych `311.csv` do zniennej data.
2. Wczytaj zbiór danych `311.csv` do zmiennej data.
"""
data = pd.read_csv("311.csv", low_memory=False)
"""
3. Wyświetl 5 pierwszych wierszy z data.
"""
print(data.head())
"""
4. Wyświetl nazwy kolumn.
"""
print(data.columns)
"""
5. Wyświetl ile nasz zbiór danych ma kolumn i wierszy.
"""
shape = data.shape
print(shape)
"""
6. Wyświetl kolumnę 'City' z powyższego zbioru danych.
"""
print(data['City'])
"""
7. Wyświetl jakie wartoścu przyjmuje kolumna 'City'.
"""
data.City.unique()
"""
8. Wyświetl tabelę rozstawną kolumny City.
"""
t = data.City.value_counts()
print(t)
"""
9. Wyświetl tylko pierwsze 4 wiersze z wcześniejszego polecenia.
"""
t.head(4)
"""
10. Wyświetl, w ilu przypadkach kolumna City zawiera NaN.
"""
p = pd.DataFrame(data['City'].isnull())
t = p[p['City'] == True]
shape = t.shape
rows = shape[0]
print(rows)
"""
11. Wyświetl data.info()
"""
print(data.info())
"""
12. Wyświetl tylko kolumny Borough i Agency i tylko 5 ostatnich linii.
"""
print(data[['Borough', 'Agency']].tail())
"""
13. Wyświetl tylko te dane, dla których wartość z kolumny Agency jest równa
NYPD. Zlicz ile jest takich przykładów.
"""
p = data[data['Agency'] == 'NYPD']
p.Agency.value_counts()
"""
14. Wyświetl wartość minimalną i maksymalną z kolumny Longitude.
"""
data['Longitude'].max()
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.
"""
p = data[data['Agency'] == 'NYPD']
p.Descriptor.value_counts()