diff --git a/week2_analysis.ipynb b/week2_analysis.ipynb index ab2ee33..8408107 100644 --- a/week2_analysis.ipynb +++ b/week2_analysis.ipynb @@ -1,46 +1,239 @@ { "cells": [ - { - "metadata": {}, - "cell_type": "markdown", - "source": [ - "# Проверка результатов Jupyter lab\n", - "## Ниже представлен код для проверки того, что всё работает верно\n", - "\n" - ], - "id": "2933ef7d9aa256a2" - }, { "metadata": { "ExecuteTime": { - "end_time": "2026-05-05T15:58:26.593266100Z", - "start_time": "2026-05-05T15:58:26.530495400Z" + "end_time": "2026-05-05T16:56:23.391024900Z", + "start_time": "2026-05-05T16:56:23.052361300Z" } }, "cell_type": "code", - "source": "print(\"Привет, JupyterLab работает!\")", + "source": [ + "import pandas as pd\n", + "\n", + "# Создадим DataFrame\n", + "data = {\n", + " \"Имя\": [\"Анна\", \"Борис\", \"Виктор\", \"Галина\", \"Саша\"],\n", + " \"Возраст\": [21, 22, 23, 24, 22],\n", + " \"Баллы\": [89, 76, 95, 82, 80]\n", + "}\n", + "df = pd.DataFrame(data)\n", + "print(\"Первый взгляд на данные:\")\n", + "print(df.head())\n", + "print(df.info())\n", + "print(df.describe())\n", + "print(df.isnull().sum())\n", + "df[\"Новый столбец\"] = df[\"Баллы\"] * 1.1\n", + "\n", + "groups = df.groupby(\"Возраст\")[\"Баллы\"].agg('mean')\n", + "df_filter = df[df[\"Возраст\"] > 21]\n", + "\n", + "print(\"Студенты старше 21 года:\")\n", + "display(df_filter)\n", + "\n", + "print(\"Средние баллы по возрастам:\")\n", + "df\n", + "groups" + ], "id": "c6257ab155ac3a98", "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ - "Привет, JupyterLab работает!\n" + "Первый взгляд на данные:\n", + " Имя Возраст Баллы\n", + "0 Анна 21 89\n", + "1 Борис 22 76\n", + "2 Виктор 23 95\n", + "3 Галина 24 82\n", + "4 Саша 22 80\n", + "\n", + "RangeIndex: 5 entries, 0 to 4\n", + "Data columns (total 3 columns):\n", + " # Column Non-Null Count Dtype\n", + "--- ------ -------------- -----\n", + " 0 Имя 5 non-null str \n", + " 1 Возраст 5 non-null int64\n", + " 2 Баллы 5 non-null int64\n", + "dtypes: int64(2), str(1)\n", + "memory usage: 252.0 bytes\n", + "None\n", + " Возраст Баллы\n", + "count 5.000000 5.000000\n", + "mean 22.400000 84.400000\n", + "std 1.140175 7.569676\n", + "min 21.000000 76.000000\n", + "25% 22.000000 80.000000\n", + "50% 22.000000 82.000000\n", + "75% 23.000000 89.000000\n", + "max 24.000000 95.000000\n", + "Имя 0\n", + "Возраст 0\n", + "Баллы 0\n", + "dtype: int64\n", + "Студенты старше 21 года:\n" + ] + }, + { + "data": { + "text/plain": [ + " Имя Возраст Баллы Новый столбец\n", + "1 Борис 22 76 83.6\n", + "2 Виктор 23 95 104.5\n", + "3 Галина 24 82 90.2\n", + "4 Саша 22 80 88.0" + ], + "text/html": [ + "
\n", + "\n", + "\n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + "
ИмяВозрастБаллыНовый столбец
1Борис227683.6
2Виктор2395104.5
3Галина248290.2
4Саша228088.0
\n", + "
" + ] + }, + "metadata": {}, + "output_type": "display_data", + "jetTransient": { + "display_id": null + } + }, + { + "name": "stdout", + "output_type": "stream", + "text": [ + "Средние баллы по возрастам:\n" + ] + }, + { + "data": { + "text/plain": [ + "Возраст\n", + "21 89.0\n", + "22 78.0\n", + "23 95.0\n", + "24 82.0\n", + "Name: Баллы, dtype: float64" + ] + }, + "execution_count": 22, + "metadata": {}, + "output_type": "execute_result" + } + ], + "execution_count": 22 + }, + { + "metadata": { + "ExecuteTime": { + "end_time": "2026-05-05T16:56:23.914438700Z", + "start_time": "2026-05-05T16:56:23.527643100Z" + } + }, + "cell_type": "code", + "source": [ + "import numpy as np\n", + "\n", + "arr = np.array([1, 2, 3, 4, 5])\n", + "X = np.array([[1, 2], [3, 4]])\n", + "\n", + "\n", + "#Создание ровных интервалов\n", + "range = np.linspace(np.min(X), np.max(X), 5)\n", + "print(\"\\nИнтервал от min(A) до max(A):\\n\", range)\n", + "\n", + "\n", + "#Стандартное нормальное распределение\n", + "norm_random_array = np.random.randn(*X.shape)\n", + "print(\"\\nСлучайный массив того же размера, что и A:\\n\", norm_random_array)\n", + "\n", + "#Матричное умножение\n", + "res_dot = np.dot(X, X)\n", + "print(\"\\nРезультат умножения матриц:\\n\", res_dot)\n", + "\n", + "\n", + "print(\"\\nСумма элементов массива:\", np.sum(arr))\n", + "print(\"Среднее значение:\", np.mean(arr))\n", + "print(\"Медиана:\", np.median(arr))\n", + "print(\"Стандартное отклонение:\", np.std(arr))\n" + ], + "id": "159535e1a3ef473a", + "outputs": [ + { + "name": "stdout", + "output_type": "stream", + "text": [ + "\n", + "Интервал от min(A) до max(A):\n", + " [1. 1.75 2.5 3.25 4. ]\n", + "\n", + "Случайный массив того же размера, что и A:\n", + " [[-0.03315556 -0.16675026]\n", + " [-0.91077853 -0.68547878]]\n", + "\n", + "Результат умножения матриц:\n", + " [[ 7 10]\n", + " [15 22]]\n", + "\n", + "Сумма элементов массива: 15\n", + "Среднее значение: 3.0\n", + "Медиана: 3.0\n", + "Стандартное отклонение: 1.4142135623730951\n" ] } ], - "execution_count": 4 - }, - { - "metadata": {}, - "cell_type": "markdown", - "source": [ - "## Выводы\n", - "\n", - "- В этом блокноте была проведена небольшая проверка работы Jupyter lab\n", - "- Всё работает" - ], - "id": "9d044d9676b9de17" + "execution_count": 23 } ], "metadata": {