Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Π½Π° Python β ΡΠ΄Π°Π»ΡΠ½Π½Π°Ρ ΡΠ°Π±ΠΎΡΠ° Π² ΠΠΎΡΠΊΠ²Π΅
ΠΠ°ΡΠ°: 2022-01-07
ΠΠ΅ΡΠ°Π»ΠΈ
Π Π΅Π³ΠΈΠΎΠ½
ΠΠΎΡΠΊΠ²Π°
ΠΠ°Π½ΡΡΠΎΡΡΡ
Π΄ΠΈΡΡΠ°Π½ΡΠΈΠΎΠ½Π½ΠΎ
Π‘ΡΠΎΠΈΠΌΠΎΡΡΡ
Π΄ΠΎΠ³ΠΎΠ²ΠΎΡΠ½Π°Ρ
ΠΠ°ΡΠ° ΠΏΡΠ±Π»ΠΈΠΊΠ°ΡΠΈΠΈ
2022-01-07
ΠΠΏΠΈΡΠ°Π½ΠΈΠ΅
ΠΠ΅Π±-ΡΠ°Π·ΡΠ°Π±ΠΎΡΠΊΠ°. Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Ρ Π½ΡΠ»Ρ. This service provides the user with a signed JWT token (see example below) that is used by the identify the user. eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJzdWIiOiIxMjM0NTY3ODkwIiwibmFtZS I6IkpvaG4gRG9lIiwiaWF0IjoxNTE2MjM5MDIyfQ.SflKxwRJSMeKKF2QT4fwpMeJf36POk 6yJV_adQssw5c Which is translated to: { “sub“: “1234567890“, “name“: “John Doe“, “iat“: 1516239022 } However, this solution doesnβt work for automated CI/CD process s (Jenkins, Github actions, CircleCIβ¦), as these services require n automated login. So, we need to create a new microservice (letβs call t AccessService) that will provide users with automated credentials, based on api-keys. Β© 2021 Altostra, Inc Example of possible Use Case: - User logs in to the Altostra and requests a new api-key with `read` permissions. This api-key will be used to automate CI/CD processes. - After receiving the api-key, the user installs it on a local machine. - Before running, a CI/CD process sends an authentication request to Altostraβs AccessService with the api-ke . - The AccessService verifies the api-key and generates a signed Altostra JWT token with the original userId and the permissions associated with this api-key. - The CI/CD process executes Altostra commands using the generated JWT token. The Task Your task is to create the new microservice called “AccessService“ to generate API keys for the users and use these api-keys to generate Altostra JWT tokens on demand. The service needs to support the following 4 REST endpoints: ● Create API key ○ POST / ■ Given an authenticated user request (which contains the userId) and a list of required permissions, generate a new api key for the user. ● Use API key ○ POST /authenticate ■ Given a request with a valid api-key: 1. generate a new signed JWT token for the user with the pre-defined set of permissions 2. Update the “last usage“ date of that API key Β© 2021 Altostra, Inc ● Revoke API key ○ DELETE /{:id} ■ Given an authenticated user request and an API key, revoke the usage of that key. ● Get API keys ○ GET / ■ Given an authenticated user request, get all the API keys of that user in an obstructed form (showing only the last 4 chars, like a credit card) with their status and last recently used date. The outputs ● Implement functionality as described in βThe Taskβ sect on. ● We prefer the solution to be implemented in TypeScript or JavaScript, but you can use any other language. ● Please use your own git repository to manage your code. ● As a final result, please provide a short user guide that describes how to install your code, how to run it and how to get outputs.
ΠΠΎΡ
ΠΎΠΆΠΈΠ΅ Π·Π°ΠΊΠ°Π·Ρ
Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Π½Π° Python
Π΄ΠΈΡΡΠ°Π½ΡΠΈΠΎΠ½Π½ΠΎ
ΠΎΡ 1000.00 ΡΡΠ±.
ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ Π·Π°Π΄Π°Ρ. Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Ρ Π½ΡΠ»Ρ. ΠΠΎ Π²ΡΠ΅Ρ
Π·Π°Π΄Π°Π½ΠΈΡΡ
Π΄Π°Π½Π½ΠΎΠ³ΠΎ ΡΠ°Π·Π΄Π΅Π»Π° Π·Π°ΠΏΡΠ΅ΡΠ΅Π½ΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΡΠΈΠΊΠ»Ρ ΠΈ list comprehensions. ΠΠΎΠ΄ Π²Π΅ΠΊΡΠΎΡΠΎΠΌ ΠΈ ΠΌΠ°ΡΡΠΈΡΠ΅ΠΉ Π² Π΄Π°Π½Π½ΡΡ
Π·Π°Π΄Π°Π½ΠΈΡΡ
ΠΏΠΎΠ½ΠΈΠΌΠ°Π΅ΡΡΡ ΠΎΠ΄Π½ΠΎΠΌΠ΅ΡΠ½ΡΠΉ ΠΈ Π΄Π²ΡΠΌΠ΅ΡΠ½ΡΠΉ numpy.array ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²Π΅Π½Π½ΠΎ. In [ ]: import numpy as np 1. (0.5 Π±Π°Π»Π»Π°) Π Π΅Π°Π»ΠΈΠ·ΡΠΉΡΠ΅ ΡΡΠ½ΠΊΡΠΈΡ, Π²ΠΎΠ·Π²ΡΠ°ΡΠ°ΡΡΡΡ ΠΌΠ°ΠΊΡΠΈΠΌΠ°Π»ΡΠ½ΡΠΉ ΡΠ»Π΅ΠΌΠ΅Π½Ρ Π² Π²Π΅ΠΊΡΠΎΡΠ΅ x ΡΡΠ΅Π΄ΠΈ ΡΠ»Π΅ΠΌΠ΅Π½ΡΠΎΠ², ΠΏΠ΅ΡΠ΅Π΄ ΠΊΠΎΡΠΎΡΡΠΌΠΈ ΡΡΠΎΠΈΡ Π½ΡΠ»Π΅Π²ΠΎΠΉ. ΠΠ»Ρ x = np.array([6, 2, 0, 3, 0, 0, 5, 7, 0]) ΠΎΡΠ²Π΅ΡΠΎΠΌ ΡΠ²Π»ΡΠ΅ΡΡΡ 5. ΠΡΠ»ΠΈ Π½ΡΠ»Π΅Π²ΡΡ
ΡΠ»Π΅ΠΌΠ΅Π½ΡΠΎΠ² Π½Π΅Ρ, ΡΡΠ½ΠΊΡΠΈΡ Π΄ΠΎΠ»ΠΆΠ½Π° Π²ΠΎΠ·Π²ΡΠ°ΡΠ°ΡΡ None. In [ ]: def max_element(arr): # Your code here 2. (0.5 Π±Π°Π»Π»Π°) Π Π΅Π°Π»ΠΈΠ·ΡΠΉΡΠ΅ ΡΡΠ½ΠΊΡΠΈΡ, ΠΏΡΠΈΠ½ΠΈΠΌΠ°ΡΡΡΡ Π½Π° Π²Ρ
ΠΎΠ΄ ΠΌΠ°ΡΡΠΈΡΡ ΠΈ Π½Π΅ΠΊΠΎΡΠΎΡΠΎΠ΅ ΡΠΈΡΠ»ΠΎ ΠΈ Π²ΠΎΠ·Π²ΡΠ°ΡΠ°ΡΡΡΡ Π±Π»ΠΈΠΆΠ°ΠΉΡΠΈΠΉ ΠΊ ΡΠΈΡΠ»Ρ ΡΠ»Π΅ΠΌΠ΅Π½Ρ ΠΌΠ°ΡΡΠΈΡΡ. ΠΠ°ΠΏΡΠΈΠΌΠ΅Ρ: Π΄Π»Ρ X = np.arange(0,10).reshape((2, 5)) ΠΈ v = 3.6 ΠΎΡΠ²Π΅ΡΠΎΠΌ Π±ΡΠ΄Π΅Ρ 4. In [ ]: def nearest_value(X, v): # Your code here 3. (0.5 Π±Π°Π»Π»Π°) Π Π΅Π°Π»ΠΈΠ·ΡΠΉΡΠ΅ ΡΡΠ½ΠΊΡΠΈΡ scale(X), ΠΊΠΎΡΠΎΡΠ°Ρ ΠΏΡΠΈΠ½ΠΈΠΌΠ°Π΅Ρ Π½Π° Π²Ρ
ΠΎΠ΄ ΠΌΠ°ΡΡΠΈΡΡ ΠΈ ΠΌΠ°ΡΡΡΠ°Π±ΠΈΡΡΠ΅Ρ ΠΊΠ°ΠΆΠ΄ΡΠΉ Π΅Π΅ ΡΡΠΎΠ»Π±Π΅Ρ (Π²ΡΡΠΈΡΠ°Π΅Ρ Π²ΡΠ±ΠΎΡΠΎΡΠ½ΠΎΠ΅ ΡΡΠ΅Π΄Π½Π΅Π΅ ΠΈ Π΄Π΅Π»ΠΈΡ Π½Π° ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΠΎΠ΅ ΠΎΡΠΊΠ»ΠΎΠ½Π΅Π½ΠΈΠ΅). Π£Π±Π΅Π΄ΠΈΡΠ΅ΡΡ, ΡΡΠΎ Π² ΡΡΠ½ΠΊΡΠΈΠΈ Π½Π΅ Π±ΡΠ΄Π΅Ρ ΠΏΡΠΎΠΈΡΡ
ΠΎΠ΄ΠΈΡΡ Π΄Π΅Π»Π΅Π½ΠΈΡ Π½Π° Π½ΠΎΠ»Ρ. ΠΡΠΎΡΠ΅ΡΡΠΈΡΡΠΉΡΠ΅ Π½Π° ΡΠ»ΡΡΠ°ΠΉΠ½ΠΎΠΉ ΠΌΠ°ΡΡΠΈΡΠ΅ (Π΄Π»Ρ Π΅Ρ Π³Π΅Π½Π΅ΡΠ°ΡΠΈΠΈ ΠΌΠΎΠΆΠ½ΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, ΡΡΠ½ΠΊΡΠΈΡ numpy.random.randint). In [ ]: def scale(X): # Your code here 4. (0.5 Π±Π°Π»Π»Π°) Π Π΅Π°Π»ΠΈΠ·ΡΠΉΡΠ΅ ΡΡΠ½ΠΊΡΠΈΡ, ΠΊΠΎΡΠΎΡΠ°Ρ Π΄Π»Ρ Π·Π°Π΄Π°Π½Π½ΠΎΠΉ ΠΌΠ°ΡΡΠΈΡΡ Π½Π°Ρ
ΠΎΠ΄ΠΈΡ: ΠΎΠΏΡΠ΅Π΄Π΅Π»ΠΈΡΠ΅Π»Ρ ΡΠ»Π΅Π΄ Π½Π°ΠΈΠΌΠ΅Π½ΡΡΠΈΠΉ ΠΈ Π½Π°ΠΈΠ±ΠΎΠ»ΡΡΠΈΠΉ ΡΠ»Π΅ΠΌΠ΅Π½ΡΡ Π½ΠΎΡΠΌΡ Π€ΡΠΎΠ±Π΅Π½ΠΈΡΡΠ° ΡΠΎΠ±ΡΡΠ²Π΅Π½Π½ΡΠ΅ ΡΠΈΡΠ»Π° ΠΎΠ±ΡΠ°ΡΠ½ΡΡ ΠΌΠ°ΡΡΠΈΡΡ ΠΠ»Ρ ΡΠ΅ΡΡΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΡΠ³Π΅Π½Π΅ΡΠΈΡΡΠΉΡΠ΅ ΠΌΠ°ΡΡΠΈΡΡ Ρ ΡΠ»Π΅ΠΌΠ΅Π½ΡΠ°ΠΌΠΈ ΠΈΠ· Π½ΠΎΡΠΌΠ°Π»ΡΠ½ΠΎΠ³ΠΎ ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»Π΅Π½ΠΈΡ N (10,1) In [ ]: def get_stats(X): # Your code here 5. (0.5 Π±Π°Π»Π»Π°) ΠΠΎΠ²ΡΠΎΡΠΈΡΠ΅ 100 ΡΠ°Π· ΡΠ»Π΅Π΄ΡΡΡΠΈΠΉ ΡΠΊΡΠΏΠ΅ΡΠΈΠΌΠ΅Π½Ρ: ΡΠ³Π΅Π½Π΅ΡΠΈΡΡΠΉΡΠ΅ Π΄Π²Π΅ ΠΌΠ°ΡΡΠΈΡΡ ΡΠ°Π·ΠΌΠ΅ΡΠ° 10x10 ΠΈΠ· ΡΡΠ°Π½Π΄Π°ΡΡΠ½ΠΎΠ³ΠΎ Π½ΠΎΡΠΌΠ°Π»ΡΠ½ΠΎΠ³ΠΎ ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»Π΅Π½ΠΈΡ, ΠΏΠ΅ΡΠ΅ΠΌΠ½ΠΎΠΆΡΡΠ΅ ΠΈΡ
(ΠΊΠ°ΠΊ ΠΌΠ°ΡΡΠΈΡΡ) ΠΈ Π½Π°ΠΉΠ΄ΠΈΡΠ΅ ΠΌΠ°ΠΊΡΠΈΠΌΠ°Π»ΡΠ½ΡΠΉ ΡΠ»Π΅ΠΌΠ΅Π½Ρ. ΠΠ°ΠΊΠΎΠ΅ ΡΡΠ΅Π΄Π½Π΅Π΅ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ ΠΏΠΎ ΡΠΊΡΠΏΠ΅ΡΠΈΠΌΠ΅Π½ΡΠ°ΠΌ Ρ ΠΌΠ°ΠΊΡΠΈΠΌΠ°Π»ΡΠ½ΡΡ
ΡΠ»Π΅ΠΌΠ΅Π½ΡΠΎΠ²? 95-ΠΏΡΠΎΡΠ΅Π½ΡΠ½Π°Ρ ΠΊΠ²Π°Π½ΡΠΈΠ»Ρ? In [ ]: for exp_num in range(100): # Your code here Pandas ΠΡΠ²Π΅ΡΡΡΠ΅ Π½Π° Π²ΠΎΠΏΡΠΎΡΡ ΠΎ Π΄Π°Π½Π½ΡΡ
ΠΏΠΎ Π°Π²ΠΈΠ°ΡΠ΅ΠΉΡΠ°ΠΌ Π² Π‘Π¨Π Π·Π° ΡΠ½Π²Π°ΡΡ-Π°ΠΏΡΠ΅Π»Ρ 2008 Π³ΠΎΠ΄Π°. ΠΠ°Π½Π½ΡΠ΅ ΠΈ ΠΈΡ
ΠΎΠΏΠΈΡΠ°Π½ΠΈΠ΅ In [ ]: import pandas as pd %matplotlib inline 6. (0.3 Π±Π°Π»Π»Π°) ΠΠ°ΠΊΠ°Ρ ΠΈΠ· ΠΏΡΠΈΡΠΈΠ½ ΠΎΡΠΌΠ΅Π½Ρ ΡΠ΅ΠΉΡΠ° (CancellationCode) Π±ΡΠ»Π° ΡΠ°ΠΌΠΎΠΉ ΡΠ°ΡΡΠΎΠΉ? (ΡΠ°ΡΡΠΈΡΡΠΎΠ²ΠΊΠΈ ΠΊΠΎΠ΄ΠΎΠ² ΠΌΠΎΠΆΠ½ΠΎ Π½Π°ΠΉΡΠΈ Π² ΠΎΠΏΠΈΡΠ°Π½ΠΈΠΈ Π΄Π°Π½Π½ΡΡ
) In [ ]: # Your code here 7. (0.3 Π±Π°Π»Π»Π°) ΠΠ°ΠΉΠ΄ΠΈΡΠ΅ ΡΡΠ΅Π΄Π½Π΅Π΅, ΠΌΠΈΠ½ΠΈΠΌΠ°Π»ΡΠ½ΠΎΠ΅ ΠΈ ΠΌΠ°ΠΊΡΠΈΠΌΠ°Π»ΡΠ½ΠΎΠ΅ ΡΠ°ΡΡΡΠΎΡΠ½ΠΈΠ΅, ΠΏΡΠΎΠΉΠ΄Π΅Π½Π½ΠΎΠ΅ ΡΠ°ΠΌΠΎΠ»Π΅ΡΠΎΠΌ. In [ ]: # Your code here 8. (0.3 Π±Π°Π»Π»Π°) ΠΠ΅ Π²ΡΠ³Π»ΡΠ΄ΠΈΡ Π»ΠΈ ΠΏΠΎΠ΄ΠΎΠ·ΡΠΈΡΠ΅Π»ΡΠ½ΡΠΌ ΠΌΠΈΠ½ΠΈΠΌΠ°Π»ΡΠ½ΠΎΠ΅ ΠΏΡΠΎΠΉΠ΄Π΅Π½Π½ΠΎΠ΅ ΡΠ°ΡΡΡΠΎΡΠ½ΠΈΠ΅? Π ΠΊΠ°ΠΊΠΈΠ΅ Π΄Π½ΠΈ ΠΈ Π½Π° ΠΊΠ°ΠΊΠΈΡ
ΡΠ΅ΠΉΡΠ°Ρ
ΠΎΠ½ΠΎ Π±ΡΠ»ΠΎ? ΠΠ°ΠΊΠΎΠ΅ ΡΠ°ΡΡΡΠΎΡΠ½ΠΈΠ΅ Π±ΡΠ»ΠΎ ΠΏΡΠΎΠΉΠ΄Π΅Π½ΠΎ ΡΡΠΈΠΌΠΈ ΠΆΠ΅ ΡΠ΅ΠΉΡΠ°ΠΌΠΈ Π² Π΄ΡΡΠ³ΠΈΠ΅ Π΄Π½ΠΈ? In [ ]: # Your code here 9. (0.3 Π±Π°Π»Π»Π°) ΠΠ· ΠΊΠ°ΠΊΠΎΠ³ΠΎ Π°ΡΡΠΎΠΏΠΎΡΡΠ° Π±ΡΠ»ΠΎ ΠΏΡΠΎΠΈΠ·Π²Π΅Π΄Π΅Π½ΠΎ Π±ΠΎΠ»ΡΡΠ΅ Π²ΡΠ΅Π³ΠΎ Π²ΡΠ»Π΅ΡΠΎΠ²? Π ΠΊΠ°ΠΊΠΎΠΌ Π³ΠΎΡΠΎΠ΄Π΅ ΠΎΠ½ Π½Π°Ρ
ΠΎΠ΄ΠΈΡΡΡ? In [ ]: # Your code here 10. (0.3 Π±Π°Π»Π»Π°) ΠΠ°ΠΉΠ΄ΠΈΡΠ΅ Π΄Π»Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠ³ΠΎ Π°ΡΡΠΎΠΏΠΎΡΡΠ° ΡΡΠ΅Π΄Π½Π΅Π΅ Π²ΡΠ΅ΠΌΡ ΠΏΠΎΠ»Π΅ΡΠ° (AirTime) ΠΏΠΎ Π²ΡΠ΅ΠΌ Π²ΡΠ»Π΅ΡΠ΅Π²ΡΠΈΠΌ ΠΈΠ· Π½Π΅Π³ΠΎ ΡΠ΅ΠΉΡΠ°ΠΌ. ΠΠ°ΠΊΠΎΠΉ Π°ΡΡΠΎΠΏΠΎΡΡ ΠΈΠΌΠ΅Π΅Ρ Π½Π°ΠΈΠ±ΠΎΠ»ΡΡΠ΅Π΅ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ ΡΡΠΎΠ³ΠΎ ΠΏΠΎΠΊΠ°Π·Π°ΡΠ΅Π»Ρ? In [ ]: # Your code here 11. (1 Π±Π°Π»Π») ΠΠ°ΠΉΠ΄ΠΈΡΠ΅ Π°ΡΡΠΎΠΏΠΎΡΡ, Ρ ΠΊΠΎΡΠΎΡΠΎΠ³ΠΎ Π½Π°ΠΈΠ±ΠΎΠ»ΡΡΠ°Ρ Π΄ΠΎΠ»Ρ Π·Π°Π΄Π΅ΡΠΆΠ°Π½Π½ΡΡ
(DepDelay > 0) ΡΠ΅ΠΉΡΠΎΠ². ΠΡΠΊΠ»ΡΡΠΈΡΠ΅ ΠΏΡΠΈ ΡΡΠΎΠΌ ΠΈΠ· ΡΠ°ΡΡΠΌΠΎΡΡΠ΅Π½ΠΈΡ Π°ΡΡΠΎΠΏΠΎΡΡΡ, ΠΈΠ· ΠΊΠΎΡΠΎΡΡΡ
Π±ΡΠ»ΠΎ ΠΎΡΠΏΡΠ°Π²Π»Π΅Π½ΠΎ ΠΌΠ΅Π½ΡΡΠ΅ 1000 ΡΠ΅ΠΉΡΠΎΠ² (ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠΉΡΠ΅ ΡΡΠ½ΠΊΡΠΈΡ filter ΠΏΠΎΡΠ»Π΅ groupby). In [ ]: # Your code here ΠΠΈΠ½Π΅ΠΉΠ½Π°Ρ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ Π ΡΡΠΎΠΉ ΡΠ°ΡΡΠΈ ΠΌΡ ΡΠ°Π·Π±Π΅ΡΠ΅ΠΌΡΡ Ρ Π»ΠΈΠ½Π΅ΠΉΠ½ΠΎΠΉ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠ΅ΠΉ, ΡΠΏΠΎΡΠΎΠ±Π°ΠΌΠΈ Π΅Ρ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ ΠΈ ΠΈΠ·ΠΌΠ΅ΡΠ΅Π½ΠΈΠ΅ΠΌ ΠΊΠ°ΡΠ΅ΡΡΠ²Π° Π΅Π΅ ΠΏΡΠΎΠ³Π½ΠΎΠ·ΠΎΠ². ΠΡΠ΄Π΅ΠΌ ΡΠ°ΡΡΠΌΠ°ΡΡΠΈΠ²Π°ΡΡ Π΄Π°ΡΠ°ΡΠ΅Ρ ΠΈΠ· ΠΏΡΠ΅Π΄ΡΠ΄ΡΡΠ΅ΠΉ ΡΠ°ΡΡΠΈ Π·Π°Π΄Π°Π½ΠΈΡ Π΄Π»Ρ ΠΏΡΠ΅Π΄ΡΠΊΠ°Π·Π°Π½ΠΈΡ Π²ΡΠ΅ΠΌΠ΅Π½ΠΈ Π·Π°Π΄Π΅ΡΠΆΠΊΠΈ ΠΎΡΠΏΡΠ°Π²Π»Π΅Π½ΠΈΡ ΡΠ΅ΠΉΡΠ° Π² ΠΌΠΈΠ½ΡΡΠ°Ρ
(DepDelay). ΠΡΠΌΠ΅ΡΠΈΠΌ, ΡΡΠΎ ΠΏΠΎΠ΄ Π·Π°Π΄Π΅ΡΠΆΠΊΠΎΠΉ ΠΏΠΎΠ΄ΡΠ°Π·ΡΠΌΠ΅Π²Π°Π΅ΡΡΡ Π½Π΅ ΡΠΎΠ»ΡΠΊΠΎ ΠΎΠΏΠΎΠ·Π΄Π°Π½ΠΈΠ΅ ΡΠ΅ΠΉΡΠ° ΠΎΡΠ½ΠΎΡΠΈΡΠ΅Π»ΡΠ½ΠΎ ΠΏΠ»Π°Π½ΠΈΡΡΠ΅ΠΌΠΎΠ³ΠΎ Π²ΡΠ΅ΠΌΠ΅Π½ΠΈ Π²ΡΠ»Π΅ΡΠ°, Π½ΠΎ ΠΈ ΠΎΡΠΏΡΠ°Π²Π»Π΅Π½ΠΈΠ΅ Π΄ΠΎ ΠΏΠ»Π°Π½ΠΈΡΡΠ΅ΠΌΠΎΠ³ΠΎ Π²ΡΠ΅ΠΌΠ΅Π½ΠΈ. ΠΠΎΠ΄Π³ΠΎΡΠΎΠ²ΠΊΠ° Π΄Π°Π½Π½ΡΡ
12. (1 Π±Π°Π»Π») Π‘ΡΠΈΡΠ°ΠΉΡΠ΅ Π²ΡΠ±ΠΎΡΠΊΡ ΠΈΠ· ΡΠ°ΠΉΠ»Π° ΠΏΡΠΈ ΠΏΠΎΠΌΠΎΡΠΈ ΡΡΠ½ΠΊΡΠΈΠΈ pd.read_csv ΠΈ ΠΎΡΠ²Π΅ΡΡΡΠ΅ Π½Π° ΡΠ»Π΅Π΄ΡΡΡΠΈΠ΅ Π²ΠΎΠΏΡΠΎΡΡ: ΠΠΌΠ΅ΡΡΡΡ Π»ΠΈ Π² Π΄Π°Π½Π½ΡΡ
ΠΏΡΠΎΠΏΡΡΠ΅Π½Π½ΡΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΡ? Π‘ΠΊΠΎΠ»ΡΠΊΠΎ Π²ΡΠ΅Π³ΠΎ ΠΏΡΠΎΠΏΡΡΠ΅Π½Π½ΡΡ
ΡΠ»Π΅ΠΌΠ΅Π½ΡΠΎΠ² Π² ΡΠ°Π±Π»ΠΈΡΠ΅ "ΠΎΠ±ΡΠ΅ΠΊΡ-ΠΏΡΠΈΠ·Π½Π°ΠΊ"? Π‘ΠΊΠΎΠ»ΡΠΊΠΎ ΠΎΠ±ΡΠ΅ΠΊΡΠΎΠ² ΠΈΠΌΠ΅ΡΡ Ρ
ΠΎΡΡ Π±Ρ ΠΎΠ΄ΠΈΠ½ ΠΏΡΠΎΠΏΡΡΠΊ? Π‘ΠΊΠΎΠ»ΡΠΊΠΎ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² ΠΈΠΌΠ΅ΡΡ Ρ
ΠΎΡΡ Π±Ρ ΠΎΠ΄Π½ΠΎ ΠΏΡΠΎΠΏΡΡΠ΅Π½Π½ΠΎΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅? In [ ]: # Your code here ΠΠ°ΠΊ Π²Ρ ΠΏΠΎΠ½ΠΈΠΌΠ°Π΅ΡΠ΅, ΡΠ°ΠΊΠΆΠ΅ Π½Π΅ ΠΈΠΌΠ΅Π΅Ρ ΡΠΌΡΡΠ»Π° ΡΠ°ΡΡΠΌΠ°ΡΡΠΈΠ²Π°ΡΡ ΠΏΡΠΈ ΡΠ΅ΡΠ΅Π½ΠΈΠΈ ΠΏΠΎΡΡΠ°Π²Π»Π΅Π½Π½ΠΎΠΉ Π·Π°Π΄Π°ΡΠΈ ΠΎΠ±ΡΠ΅ΠΊΡΡ Ρ ΠΏΡΠΎΠΏΡΡΠ΅Π½Π½ΡΠΌ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ΠΌ ΡΠ΅Π»Π΅Π²ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΠΉ. Π ΡΠ²ΡΠ·ΠΈ Ρ ΡΡΠΈΠΌ ΠΎΡΠ²Π΅ΡΡΡΠ΅ Π½Π° ΡΠ»Π΅Π΄ΡΡΡΠΈΠ΅ Π²ΠΎΠΏΡΠΎΡΡ ΠΈ Π²ΡΠΏΠΎΠ»Π½ΠΈΡΠ΅ ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΡΡΡΠΈΠ΅ Π΄Π΅ΠΉΡΡΠ²ΠΈΡ: ΠΠΌΠ΅ΡΡΡΡ Π»ΠΈ ΠΏΡΠΎΠΏΡΡΠ΅Π½Π½ΡΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΡ Π² ΡΠ΅Π»Π΅Π²ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΠΉ? ΠΡΠΎΠ°Π½Π°Π»ΠΈΠ·ΠΈΡΡΠΉΡΠ΅ ΠΎΠ±ΡΠ΅ΠΊΡΡ Ρ ΠΏΡΠΎΠΏΡΡΠ΅Π½Π½ΡΠΌΠΈ Π·Π½Π°ΡΠ΅Π½ΠΈΡΠΌΠΈ ΡΠ΅Π»Π΅Π²ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΠΉ. Π§Π΅ΠΌ Π²ΡΠ·Π²Π°Π½ΠΎ ΡΡΠΎ ΡΠ²Π»Π΅Π½ΠΈΠ΅? Π§ΡΠΎ ΠΈΡ
ΠΎΠ±ΡΠ΅Π΄ΠΈΠ½ΡΠ΅Ρ? ΠΠΎΠΆΠ½ΠΎ Π»ΠΈ Π² ΡΠ²ΡΠ·ΠΈ Ρ ΡΡΠΈΠΌ, Π½Π° Π²Π°Ρ Π²Π·Π³Π»ΡΠ΄, ΠΈΡΠΊΠ»ΡΡΠΈΡΡ ΠΊΠ°ΠΊΠΈΠ΅-ΡΠΎ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΈ ΠΈΠ· ΡΠ°ΡΡΠΌΠΎΡΡΠ΅Π½ΠΈΡ? ΠΠ±ΠΎΡΠ½ΡΠΉΡΠ΅ ΡΠ²ΠΎΡ ΡΠΎΡΠΊΡ Π·ΡΠ΅Π½ΠΈΡ. ΠΡΠΊΠ»ΡΡΠΈΡΠ΅ ΠΈΠ· Π²ΡΠ±ΠΎΡΠΊΠΈ ΠΎΠ±ΡΠ΅ΠΊΡΡ Ρ ΠΏΡΠΎΠΏΡΡΠ΅Π½Π½ΡΠΌ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ΠΌ ΡΠ΅Π»Π΅Π²ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΠΉ ΠΈ ΡΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ΠΌ ΡΠ΅Π»Π΅Π²ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΠΉ, ΡΠ°Π²Π½ΡΠΌ 0, Π° ΡΠ°ΠΊΠΆΠ΅ ΠΏΡΠΈ Π½Π΅ΠΎΠ±Ρ
ΠΎΠ΄ΠΈΠΌΠΎΡΡΠΈ ΠΈΡΠΊΠ»ΡΡΠΈΡΠ΅ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΈ Π² ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΠΈΠΈ Ρ Π²Π°ΡΠΈΠΌ ΠΎΡΠ²Π΅ΡΠΎΠΌ Π½Π° ΠΏΠΎΡΠ»Π΅Π΄Π½ΠΈΠΉ Π²ΠΎΠΏΡΠΎΡ ΠΈΠ· ΡΠΏΠΈΡΠΊΠ° ΠΈ Π²ΡΠ΄Π΅Π»ΠΈΡΠ΅ ΡΠ΅Π»Π΅Π²ΡΡ ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΡΡ Π² ΠΎΡΠ΄Π΅Π»ΡΠ½ΡΠΉ Π²Π΅ΠΊΡΠΎΡ, ΠΈΡΠΊΠ»ΡΡΠΈΠ² Π΅Ρ ΠΈΠ· ΠΌΠ°ΡΡΠΈΡΡ "ΠΎΠ±ΡΠ΅ΠΊΡ-ΠΏΡΠΈΠ·Π½Π°ΠΊ". In [ ]: # Your code here 13. (0.5 Π±Π°Π»Π»Π°) ΠΠ±ΡΠ°ΡΠΈΡΠ΅ Π²Π½ΠΈΠΌΠ°Π½ΠΈΠ΅, ΡΡΠΎ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΈ DepTime, CRSDepTime, ArrTime, CRSArrTime ΠΏΡΠΈΠ²Π΅Π΄Π΅Π½Ρ Π² ΡΠΎΡΠΌΠ°ΡΠ΅ hhmm, Π² ΡΠ²ΡΠ·ΠΈ Ρ ΡΠ΅ΠΌ Π±ΡΠ΄Π΅Ρ Π½Π΅ Π²ΠΏΠΎΠ»Π½Π΅ ΠΊΠΎΡΡΠ΅ΠΊΡΠ½ΠΎ ΡΠ°ΡΡΠΌΠ°ΡΡΠΈΠ²Π°ΡΡ ΠΈΡ
ΠΊΠ°ΠΊ Π²Π΅ΡΠ΅ΡΡΠ²Π΅Π½Π½ΡΠ΅. ΠΡΠ΅ΠΎΠ±ΡΠ°Π·ΡΠΉΡΠ΅ ΠΊΠ°ΠΆΠ΄ΡΠΉ ΠΏΡΠΈΠ·Π½Π°ΠΊ FeatureName ΠΈΠ· ΡΠΊΠ°Π·Π°Π½Π½ΡΡ
Π² ΠΏΠ°ΡΡ Π½ΠΎΠ²ΡΡ
ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² FeatureName_Hour, FeatureName_Minute, ΡΠ°Π·Π΄Π΅Π»ΠΈΠ² ΠΊΠ°ΠΆΠ΄ΠΎΠ΅ ΠΈΠ· Π·Π½Π°ΡΠ΅Π½ΠΈΠΉ Π½Π° ΡΠ°ΡΡ ΠΈ ΠΌΠΈΠ½ΡΡΡ. ΠΠ΅ Π·Π°Π±ΡΠ΄ΡΡΠ΅ ΠΏΡΠΈ ΡΡΠΎΠΌ ΠΈΡΠΊΠ»ΡΡΠΈΡΡ ΠΈΡΡ
ΠΎΠ΄Π½ΡΠΉ ΠΏΡΠΈΠ·Π½Π°ΠΊ ΠΈΠ· Π²ΡΠ±ΠΎΡΠΊΠΈ. Π ΡΠ»ΡΡΠ°Π΅, Π΅ΡΠ»ΠΈ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ ΠΏΡΠΈΠ·Π½Π°ΠΊΠ° ΠΎΡΡΡΡΡΡΠ²ΡΠ΅Ρ, Π·Π½Π°ΡΠ΅Π½ΠΈΡ Π΄Π²ΡΡ
Π½ΠΎΠ²ΡΡ
ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ², Π΅Π³ΠΎ Π·Π°ΠΌΠ΅Π½ΡΡΡΠΈΡ
, ΡΠ°ΠΊΠΆΠ΅ Π΄ΠΎΠ»ΠΆΠ½Ρ ΠΎΡΡΡΡΡΡΠ²ΠΎΠ²Π°ΡΡ. ΠΠ°ΠΏΡΠΈΠΌΠ΅Ρ, ΠΏΡΠΈΠ·Π½Π°ΠΊ DepTime Π½Π΅ΠΎΠ±Ρ
ΠΎΠ΄ΠΈΠΌΠΎ Π·Π°ΠΌΠ΅Π½ΠΈΡΡ Π½Π° ΠΏΠ°ΡΡ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² DepTime_Hour, DepTime_Minute. ΠΡΠΈ ΡΡΠΎΠΌ, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ 155 ΠΈΡΡ
ΠΎΠ΄Π½ΠΎΠ³ΠΎ ΠΏΡΠΈΠ·Π½Π°ΠΊΠ° Π±ΡΠ΄Π΅Ρ ΠΏΡΠ΅ΠΎΠ±ΡΠ°Π·ΠΎΠ²Π°Π½ΠΎ Π² Π·Π½Π°ΡΠ΅Π½ΠΈΡ 1 ΠΈ 55 ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² DepTime_Hour, DepTime_Minute ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²Π΅Π½Π½ΠΎ. In [ ]: # Your code here 14. (1 Π±Π°Π»Π») ΠΠ΅ΠΊΠΎΡΠΎΡΡΠ΅ ΠΈΠ· ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ², ΠΎΡΠ»ΠΈΡΠ½ΡΡ
ΠΎΡ ΡΠ΅Π»Π΅Π²ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΠΉ, ΠΌΠΎΠ³ΡΡ ΠΎΠΊΠ°Π·ΡΠ²Π°ΡΡ ΡΠ΅ΡΠ΅ΡΡΡΡ Π·Π½Π°ΡΠΈΠΌΠΎΠ΅ Π²Π»ΠΈΡΠ½ΠΈΠ΅ Π½Π° ΠΏΡΠΎΠ³Π½ΠΎΠ·, ΠΏΠΎΡΠΊΠΎΠ»ΡΠΊΡ ΠΏΠΎ ΡΠ²ΠΎΠ΅ΠΌΡ ΡΠΌΡΡΠ»Ρ ΡΠΎΠ΄Π΅ΡΠΆΠ°Ρ Π±ΠΎΠ»ΡΡΡΡ Π΄ΠΎΠ»Ρ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΠΈ ΠΎ Π·Π½Π°ΡΠ΅Π½ΠΈΠΈ ΡΠ΅Π»Π΅Π²ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΠΉ. ΠΠ·ΡΡΠΈΡΠ΅ ΠΎΠΏΠΈΡΠ°Π½ΠΈΠ΅ Π΄Π°ΡΠ°ΡΠ΅ΡΠ° ΠΈ ΠΈΡΠΊΠ»ΡΡΠΈΡΠ΅ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΈ, ΡΠΈΠ»ΡΠ½ΠΎ ΠΊΠΎΡΡΠ΅Π»ΠΈΡΡΡΡΠΈΠ΅ Ρ ΠΎΡΠ²Π΅ΡΠ°ΠΌΠΈ. ΠΠ°Ρ Π²ΡΠ±ΠΎΡ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² Π΄Π»Ρ ΠΈΡΠΊΠ»ΡΡΠ΅Π½ΠΈΡ ΠΈΠ· Π²ΡΠ±ΠΎΡΠΊΠΈ ΠΎΠ±ΠΎΡΠ½ΡΠΉΡΠ΅. ΠΡΠΎΠΌΠ΅ ΡΠΎΠ³ΠΎ, ΠΈΡΠΊΠ»ΡΡΠΈΡΠ΅ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΈ TailNum ΠΈ Year. In [ ]: # Your code here 1 5. (0.5 Π±Π°Π»Π»Π°) ΠΡΠΈΠ²Π΅Π΄Π΅ΠΌ Π΄Π°Π½Π½ΡΠ΅ ΠΊ Π²ΠΈΠ΄Ρ, ΠΏΡΠΈΠ³ΠΎΠ΄Π½ΠΎΠΌΡ Π΄Π»Ρ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Π»ΠΈΠ½Π΅ΠΉΠ½ΡΡ
ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ. ΠΠ»Ρ ΡΡΠΎΠ³ΠΎ Π²Π΅ΡΠ΅ΡΡΠ²Π΅Π½Π½ΡΠ΅ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΈ Π½Π°Π΄ΠΎ ΠΎΡΠΌΠ°ΡΡΡΠ°Π±ΠΈΡΠΎΠ²Π°ΡΡ, Π° ΠΊΠ°ΡΠ΅Π³ΠΎΡΠΈΠ°Π»ΡΠ½ΡΠ΅ β ΠΏΡΠΈΠ²Π΅ΡΡΠΈ ΠΊ ΡΠΈΡΠ»ΠΎΠ²ΠΎΠΌΡ Π²ΠΈΠ΄Ρ. Π’Π°ΠΊΠΆΠ΅ Π½Π°Π΄ΠΎ ΡΡΡΡΠ°Π½ΠΈΡΡ ΠΏΡΠΎΠΏΡΡΠΊΠΈ Π² Π΄Π°Π½Π½ΡΡ
. Π ΠΏΠ΅ΡΠ²ΡΡ ΠΎΡΠ΅ΡΠ΅Π΄Ρ ΠΏΠΎΠΉΠΌΠ΅ΠΌ, Π·Π°ΡΠ΅ΠΌ Π½Π΅ΠΎΠ±Ρ
ΠΎΠ΄ΠΈΠΌΠΎ ΠΏΡΠΈΠΌΠ΅Π½ΡΡΡ ΠΌΠ°ΡΡΡΠ°Π±ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅. Π‘Π»Π΅Π΄ΡΡΡΠΈΠ΅ ΡΡΠ΅ΠΉΠΊΠΈ Ρ ΠΊΠΎΠ΄ΠΎΠΌ ΠΏΠΎΡΡΡΠΎΡΡ Π³ΠΈΡΡΠΎΠ³ΡΠ°ΠΌΠΌΡ Π΄Π»Ρ 3 Π²Π΅ΡΠ΅ΡΡΠ²Π΅Π½Π½ΡΡ
ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² Π²ΡΠ±ΠΎΡΠΊΠΈ. In [ ]: X['DepTime_Hour'].hist(bins=20) In [ ]: X['TaxiIn'].hist(bins=20) In [ ]: X['FlightNum'].hist(bins=20) ΠΠ°ΠΊΡΡ ΠΏΡΠΎΠ±Π»Π΅ΠΌΡ Π²Ρ Π½Π°Π±Π»ΡΠ΄Π°Π΅ΡΠ΅ Π½Π° ΡΡΠΈΡ
Π³ΡΠ°ΡΠΈΠΊΠ°Ρ
? ΠΠ°ΠΊ ΠΌΠ°ΡΡΡΠ°Π±ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ ΠΏΠΎΠΌΠΎΠΆΠ΅Ρ Π΅Ρ ΠΈΡΠΏΡΠ°Π²ΠΈΡΡ? ΠΠ΅ΠΊΠΎΡΠΎΡΡΠ΅ ΠΈΠ· ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² Π² Π½Π°ΡΠ΅ΠΌ Π΄Π°ΡΠ°ΡΠ΅ΡΠ΅ ΡΠ²Π»ΡΡΡΡΡ ΠΊΠ°ΡΠ΅Π³ΠΎΡΠΈΠ°Π»ΡΠ½ΡΠΌΠΈ. Π’ΠΈΠΏΠΈΡΠ½ΡΠΌ ΠΏΠΎΠ΄Ρ
ΠΎΠ΄ΠΎΠΌ ΠΊ ΡΠ°Π±ΠΎΡΠ΅ Ρ Π½ΠΈΠΌΠΈ ΡΠ²Π»ΡΠ΅ΡΡΡ Π±ΠΈΠ½Π°ΡΠ½ΠΎΠ΅, ΠΈΠ»ΠΈ one-hot-ΠΊΠΎΠ΄ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅. Π Π΅Π°Π»ΠΈΠ·ΡΠΉΡΠ΅ ΡΡΠ½ΠΊΡΠΈΡ transform_data, ΠΊΠΎΡΠΎΡΠ°Ρ ΠΏΡΠΈΠ½ΠΈΠΌΠ°Π΅Ρ Π½Π° Π²Ρ
ΠΎΠ΄ DataFrame Ρ ΠΏΡΠΈΠ·Π½Π°ΠΊΠ°ΠΌΠΈ ΠΈ Π²ΡΠΏΠΎΠ»Π½ΡΠ΅Ρ ΡΠ»Π΅Π΄ΡΡΡΠΈΠ΅ ΡΠ°Π³ΠΈ: ΠΠ°ΠΌΠ΅Π½Π° ΠΏΡΠΎΠΏΡΡΠ΅Π½Π½ΡΡ
Π·Π½Π°ΡΠ΅Π½ΠΈΠΉ Π½Π° Π½ΡΠ»ΠΈ Π΄Π»Ρ Π²Π΅ΡΠ΅ΡΡΠ²Π΅Π½Π½ΡΡ
ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² ΠΈ Π½Π° ΡΡΡΠΎΠΊΠΈ 'nan' Π΄Π»Ρ ΠΊΠ°ΡΠ΅Π³ΠΎΡΠΈΠ°Π»ΡΠ½ΡΡ
. ΠΠ°ΡΡΡΠ°Π±ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ Π²Π΅ΡΠ΅ΡΡΠ²Π΅Π½Π½ΡΡ
ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² Ρ ΠΏΠΎΠΌΠΎΡΡΡ StandardScaler. One-hot-ΠΊΠΎΠ΄ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ ΠΊΠ°ΡΠ΅Π³ΠΎΡΠΈΠ°Π»ΡΠ½ΡΡ
ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² Ρ ΠΏΠΎΠΌΠΎΡΡΡ DictVectorizer ΠΈΠ»ΠΈ ΡΡΠ½ΠΊΡΠΈΠΈ pd.get_dummies. ΠΠ΅ΡΠΎΠ΄ Π΄ΠΎΠ»ΠΆΠ΅Π½ Π²ΠΎΠ·Π²ΡΠ°ΡΠ°ΡΡ ΠΏΡΠ΅ΠΎΠ±ΡΠ°Π·ΠΎΠ²Π°Π½Π½ΡΠΉ DataFrame, ΠΊΠΎΡΠΎΡΡΠΉ Π΄ΠΎΠ»ΠΆΠ½Π° ΡΠΎΡΡΠΎΡΡΡ ΠΈΠ· ΠΌΠ°ΡΡΡΠ°Π±ΠΈΡΠΎΠ²Π°Π½Π½ΡΡ
Π²Π΅ΡΠ΅ΡΡΠ²Π΅Π½Π½ΡΡ
ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² ΠΈ Π·Π°ΠΊΠΎΠ΄ΠΈΡΠΎΠ²Π°Π½Π½ΡΡ
ΠΊΠ°ΡΠ΅Π³ΠΎΡΠΈΠ°Π»ΡΠ½ΡΡ
(ΠΈΡΡ
ΠΎΠ΄Π½ΡΠ΅ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΈ Π΄ΠΎΠ»ΠΆΠ½Ρ Π±ΡΡΡ ΠΈΡΠΊΠ»ΡΡΠ΅Π½Ρ ΠΈΠ· Π²ΡΠ±ΠΎΡΠΊΠΈ). In [ ]: def transform_data(data): # Your code here ΠΡΠΈΠΌΠ΅Π½ΠΈΡΠ΅ ΡΡΠ½ΠΊΡΠΈΡ transform_data ΠΊ Π΄Π°Π½Π½ΡΠΌ. Π‘ΠΊΠΎΠ»ΡΠΊΠΎ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² ΠΏΠΎΠ»ΡΡΠΈΠ»ΠΎΡΡ ΠΏΠΎΡΠ»Π΅ ΠΏΡΠ΅ΠΎΠ±ΡΠ°Π·ΠΎΠ²Π°Π½ΠΈΡ? In [ ]: # Your code here 16. (1 Π±Π°Π»Π») Π Π°Π·Π±Π΅ΠΉΡΠ΅ Π²ΡΠ±ΠΎΡΠΊΡ ΠΈ Π²Π΅ΠΊΡΠΎΡ ΡΠ΅Π»Π΅Π²ΠΎΠΉ ΠΏΠ΅ΡΠ΅ΠΌΠ΅Π½Π½ΠΎΠΉ Π½Π° ΠΎΠ±ΡΡΠ΅Π½ΠΈΠ΅ ΠΈ ΠΊΠΎΠ½ΡΡΠΎΠ»Ρ Π² ΠΎΡΠ½ΠΎΡΠ΅Π½ΠΈΠΈ 70/30 (Π΄Π»Ρ ΡΡΠΎΠ³ΠΎ ΠΌΠΎΠΆΠ½ΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, ΡΡΠ½ΠΊΡΠΈΡ train_test_split). In [ ]: # Your code here Scikit-learn Π’Π΅ΠΏΠ΅ΡΡ, ΠΊΠΎΠ³Π΄Π° ΠΌΡ ΠΏΡΠΈΠ²Π΅Π»ΠΈ Π΄Π°Π½Π½ΡΠ΅ ΠΊ ΠΏΡΠΈΠ³ΠΎΠ΄Π½ΠΎΠΌΡ Π²ΠΈΠ΄Ρ, ΠΏΠΎΠΏΡΠΎΠ±ΡΠ΅ΠΌ ΡΠ΅ΡΠΈΡΡ Π·Π°Π΄Π°ΡΡ ΠΏΡΠΈ ΠΏΠΎΠΌΠΎΡΠΈ ΠΌΠ΅ΡΠΎΠ΄Π° Π½Π°ΠΈΠΌΠ΅Π½ΡΡΠΈΡ
ΠΊΠ²Π°Π΄ΡΠ°ΡΠΎΠ². ΠΠ°ΠΏΠΎΠΌΠ½ΠΈΠΌ, ΡΡΠΎ Π΄Π°Π½Π½ΡΠΉ ΠΌΠ΅ΡΠΎΠ΄ Π·Π°ΠΊΠ»ΡΡΠ°Π΅ΡΡΡ Π² ΠΎΠΏΡΠΈΠΌΠΈΠ·Π°ΡΠΈΠΈ ΡΡΠ½ΠΊΡΠΈΠΎΠ½Π°Π»Π° MSE ΠΠ°ΠΌΠ΅ΡΠΈΠΌ, ΡΡΠΎ ΡΠ΅ΡΠ΅Π½ΠΈΠ΅ Π΄Π°Π½Π½ΠΎΠΉ Π·Π°Π΄Π°ΡΠΈ ΡΠΆΠ΅ ΡΠ΅Π°Π»ΠΈΠ·ΠΎΠ²Π°Π½ΠΎ Π² ΠΌΠΎΠ΄ΡΠ»Π΅ sklearn Π² Π²ΠΈΠ΄Π΅ ΠΊΠ»Π°ΡΡΠ° LinearRegression. 17. (1 Π±Π°Π»Π») ΠΠ±ΡΡΠΈΡΠ΅ Π»ΠΈΠ½Π΅ΠΉΠ½ΡΡ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΡ Π½Π° 1000 ΠΎΠ±ΡΠ΅ΠΊΡΠ°Ρ
ΠΈΠ· ΠΎΠ±ΡΡΠ°ΡΡΠ΅ΠΉ Π²ΡΠ±ΠΎΡΠΊΠΈ ΠΈ Π²ΡΠ²Π΅Π΄ΠΈΡΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΡ MSE ΠΈ R2 Π½Π° ΡΡΠΎΠΉ ΠΏΠΎΠ΄Π²ΡΠ±ΠΎΡΠΊΠ΅ ΠΈ ΠΊΠΎΠ½ΡΡΠΎΠ»ΡΠ½ΠΎΠΉ Π²ΡΠ±ΠΎΡΠΊΠ΅ (ΠΈΡΠΎΠ³ΠΎ 4 ΡΠ°Π·Π»ΠΈΡΠ½ΡΡ
ΡΠΈΡΠ»Π°). ΠΡΠΎΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠΈΡΡΠΉΡΠ΅ ΠΏΠΎΠ»ΡΡΠ΅Π½Π½ΡΠΉ ΡΠ΅Π·ΡΠ»ΡΡΠ°Ρ β Π½Π°ΡΠΊΠΎΠ»ΡΠΊΠΎ ΠΊΠ°ΡΠ΅ΡΡΠ²Π΅Π½Π½ΡΠ΅ ΠΏΡΠΎΠ³Π½ΠΎΠ·Ρ ΡΡΡΠΎΠΈΡ ΠΏΠΎΠ»ΡΡΠ΅Π½Π½Π°Ρ ΠΌΠΎΠ΄Π΅Π»Ρ? ΠΠ°ΠΊΠΈΠ΅ ΠΏΡΠΎΠ±Π»Π΅ΠΌΡ Π½Π°Π±Π»ΡΠ΄Π°ΡΡΡΡ Π² ΠΌΠΎΠ΄Π΅Π»ΠΈ? ΠΠΎΠ΄ΡΠΊΠ°Π·ΠΊΠ°: ΠΈΠ·ΡΡΠΈΡΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΡ ΠΏΠΎΠ»ΡΡΠ΅Π½Π½ΡΡ
ΠΊΠΎΡΡΡΠΈΡΠΈΠ΅Π½ΡΠΎΠ² w, ΡΠΎΡ
ΡΠ°Π½Π΅Π½Π½ΡΡ
Π² Π°ΡΡΠΈΠ±ΡΡΠ΅ coef_ ΠΎΠ±ΡΠ΅ΠΊΡΠ° LinearRegression. In [ ]: # Your code here ΠΠ»Ρ ΡΠ΅ΡΠ΅Π½ΠΈΡ ΠΎΠΏΠΈΡΠ°Π½Π½ΡΡ
Π²Π°ΠΌΠΈ Π² ΠΏΡΠ΅Π΄ΡΠ΄ΡΡΠ΅ΠΌ ΠΏΡΠ½ΠΊΡΠ΅ ΠΏΡΠΎΠ±Π»Π΅ΠΌ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΠΌ L1- ΠΈΠ»ΠΈ L2-ΡΠ΅Π³ΡΠ»ΡΡΠΈΠ·Π°ΡΠΈΡ, ΡΠ΅ΠΌ ΡΠ°ΠΌΡΠΌ ΠΏΠΎΠ»ΡΡΠΈΠ² Lasso ΠΈ Ridge ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²Π΅Π½Π½ΠΎ ΠΈ ΠΈΠ·ΠΌΠ΅Π½ΠΈΠ² ΠΎΠΏΡΠΈΠΌΠΈΠ·Π°ΡΠΈΠΎΠ½Π½ΡΡ Π·Π°Π΄Π°ΡΡ ΠΎΠ΄Π½ΠΈΠΌ ΠΈΠ· ΡΠ»Π΅Π΄ΡΡΡΠΈΡ
ΠΎΠ±ΡΠ°Π·ΠΎΠ²: Π³Π΄Π΅ α β ΠΊΠΎΡΡΡΠΈΡΠΈΠ΅Π½Ρ ΡΠ΅Π³ΡΠ»ΡΡΠΈΠ·Π°ΡΠΈΠΈ. ΠΠ΄ΠΈΠ½ ΠΈΠ· ΡΠΏΠΎΡΠΎΠ±ΠΎΠ² Π΅Π³ΠΎ ΠΏΠΎΠ΄Π±ΠΎΡΠ° Π·Π°ΠΊΠ»ΡΡΠ°Π΅ΡΡΡ Π² ΠΏΠ΅ΡΠ΅Π±ΠΎΡΠ΅ Π½Π΅ΠΊΠΎΡΠΎΡΠΎΠ³ΠΎ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²Π° Π·Π½Π°ΡΠ΅Π½ΠΈΠΉ ΠΈ ΠΎΡΠ΅Π½ΠΊΠ΅ ΠΊΠ°ΡΠ΅ΡΡΠ²Π° Π½Π° ΠΊΡΠΎΡΡ-Π²Π°Π»ΠΈΠ΄Π°ΡΠΈΠΈ Π΄Π»Ρ ΠΊΠ°ΠΆΠ΄ΠΎΠ³ΠΎ ΠΈΠ· Π½ΠΈΡ
, ΠΏΠΎΡΠ»Π΅ ΡΠ΅Π³ΠΎ Π²ΡΠ±ΠΈΡΠ°Π΅ΡΡΡ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅, Π΄Π»Ρ ΠΊΠΎΡΠΎΡΠΎΠ³ΠΎ Π±ΡΠ»ΠΎ ΠΏΠΎΠ»ΡΡΠ΅Π½ΠΎ Π½Π°ΠΈΠ»ΡΡΡΠ΅Π΅ ΠΊΠ°ΡΠ΅ΡΡΠ²ΠΎ. 18. (1 Π΄ΠΎΠΏ. Π±Π°Π»Π») ΠΠ±ΡΡΠΈΡΠ΅ Π»ΠΈΠ½Π΅ΠΉΠ½ΡΠ΅ ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ Ρ L1- ΠΈ L2-ΡΠ΅Π³ΡΠ»ΡΡΠΈΠ·Π°ΡΠΎΡΠΎΠΌ, ΠΏΠΎΠ΄ΠΎΠ±ΡΠ°Π² Π»ΡΡΡΠ΅Π΅ Π·Π½Π°ΡΠ΅Π½ΠΈΠ΅ ΠΏΠ°ΡΠ°ΠΌΠ΅ΡΡΠ° ΡΠ΅Π³ΡΠ»ΡΡΠΈΠ·Π°ΡΠΈΠΈ ΠΈΠ· ΡΠΏΠΈΡΠΊΠ° alpha_grid ΠΏΡΠΈ ΠΏΠΎΠΌΠΎΡΠΈ ΠΊΡΠΎΡΡ-Π²Π°Π»ΠΈΠ΄Π°ΡΠΈΠΈ c 5 ΡΠΎΠ»Π΄Π°ΠΌΠΈ Π½Π° ΡΠ΅Ρ
ΠΆΠ΅ 1000 ΠΎΠ±ΡΠ΅ΠΊΡΠ°Ρ
, ΡΡΠΎ ΠΈ Π² ΠΏ.17. ΠΡΠ²Π΅Π΄ΠΈΡΠ΅ Π·Π½Π°ΡΠ΅Π½ΠΈΡ MSE ΠΈ R2 Π½Π° ΠΎΠ±ΡΡΠ°ΡΡΠ΅ΠΉ ΠΈ ΠΊΠΎΠ½ΡΡΠΎΠ»ΡΠ½ΠΎΠΉ Π²ΡΠ±ΠΎΡΠΊΠ°Ρ
. Π£Π΄Π°Π»ΠΎΡΡ Π»ΠΈ ΡΠ΅ΡΠΈΡΡ ΡΠΊΠ°Π·Π°Π½Π½ΡΠ΅ Π²Π°ΠΌΠΈ ΡΠ°Π½Π΅Π΅ ΠΏΡΠΎΠ±Π»Π΅ΠΌΡ? ΠΠ»Ρ Π²ΡΠΏΠΎΠ»Π½Π΅Π½ΠΈΡ Π΄Π°Π½Π½ΠΎΠ³ΠΎ Π·Π°Π΄Π°Π½ΠΈΡ Π²Π°ΠΌ ΠΌΠΎΠ³ΡΡ ΠΏΠΎΠ½Π°Π΄ΠΎΠ±ΠΈΡΡΡΡ ΡΠ΅Π°Π»ΠΈΠ·ΠΎΠ²Π°Π½Π½ΡΠ΅ Π² Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ΅ ΠΎΠ±ΡΠ΅ΠΊΡΡ LassoCV, RidgeCV ΠΈ KFold. In [ ]: # Your code here Π‘ΡΠΎΠΊ 20.05, ΠΎΠΏΠ»Π°ΡΠ° ΠΏΠΎΡΠ»Π΅ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ Π½Π° ΡΠ°Π±ΠΎΡΠΎΡΠΏΠΎΡΠΎΠ±Π½ΠΎΡΡΡ ΠΈ ΠΏΡΠ°Π²ΠΈΠ»ΡΠ½ΠΎΡΡΡ ΠΊΠΎΠ΄Π°, ΡΡΡΠ»ΠΊΠ° Π½Π° Π·Π°Π΄Π°ΡΠΈ Π² Π³ΠΈΡΡ
Π°Π±Π΅ Π±ΡΠ΄Π΅Ρ ΠΎΡΠΏΡΠ°Π²Π»Π΅Π½Π°.
ΠΠΎΡΠΊΠ²Π°
Π€ΡΠΈΠ»Π°Π½ΡΠ΅ΡΡ
2024-05-14
Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Π½Π° Python
Π΄ΠΈΡΡΠ°Π½ΡΠΈΠΎΠ½Π½ΠΎ
Π΄ΠΎΠ³ΠΎΠ²ΠΎΡΠ½Π°Ρ
ΠΠ΅Π±-ΡΠ°Π·ΡΠ°Π±ΠΎΡΠΊΠ°. ΠΠΎΡΠ°Π±ΠΎΡΠΊΠ° ΡΡΡΠ΅ΡΡΠ²ΡΡΡΠ΅Π³ΠΎ ΠΏΡΠΎΠ΄ΡΠΊΡΠ°. Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Π»ΠΈΡΠ½ΠΎΠ³ΠΎ ΠΊΠ°Π±ΠΈΠ½Π΅ΡΠ° ΠΊΠ»ΠΈΠ΅Π½ΡΠΎΠ² Π½Π° Π±Π°Π·Π΅ ΡΡΠ΅ΠΉΠΌΠ²ΠΎΡΠΊΠ° "Volt Pro Django Dashboard". ΠΠΈΡΠ½ΡΠΉ ΠΊΠ°Π±ΠΈΠ½Π΅Ρ ΠΏΡΠ΅Π΄Π½Π°Π·Π½Π°ΡΠ΅Π½ Π΄Π»Ρ Π°Π²ΡΠΎΠΌΠ°ΡΠΈΠ·Π°ΡΠΈΠΈ Π²Π·Π°ΠΈΠΌΠΎΠ΄Π΅ΠΉΡΡΠ²ΠΈΡ ΠΊΠ»ΠΈΠ΅Π½ΡΠΎΠ² Ρ ΡΠ΅ΡΠ²ΠΈΡΠ°ΠΌΠΈ ΠΈ Π΄Π°Π½Π½ΡΡ
, ΠΏΠΎΠ»ΡΡΠ°Π΅ΠΌΡΡ
ΡΠ΅ΡΠ΅Π· API Cloudflare (ΡΠΎΠ»ΡΠΊΠΎ ΡΠ°Π·Π΄Π΅Π» argo tunnel). ΠΠΎΠ»Π΅Π΅ ΠΏΠΎΠ΄ΡΠΎΠ±Π½Π°Ρ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΡ Π² ΠΏΡΠΈΠΊΡΠ΅ΠΏΠ»Π΅Π½Π½ΠΎΠΌ Π΄ΠΎΠΊΡΠΌΠ΅Π½ΡΠ΅.
ΠΠΎΡΠΊΠ²Π°
Π€ΡΠΈΠ»Π°Π½ΡΠ΅ΡΡ
2024-05-14
Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Π½Π° Python
Π΄ΠΈΡΡΠ°Π½ΡΠΈΠΎΠ½Π½ΠΎ
Π΄ΠΎΠ³ΠΎΠ²ΠΎΡΠ½Π°Ρ
ΠΠ΅Π±-ΡΠ°Π·ΡΠ°Π±ΠΎΡΠΊΠ°. Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Ρ Π½ΡΠ»Ρ. ΠΠ΅ΠΎΠ±Ρ
ΠΎΠ΄ΠΈΠΌΠΎ Π½Π°ΠΏΠΈΡΠ°ΡΡ Π΄ΠΈΠΏΠ»ΠΎΠΌ Π² ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΠΈΠΈ Ρ Π΄Π°Π½Π½ΡΠΌΠΈ ΡΡΠ»ΠΎΠ²ΠΈΡΠΌΠΈ: ΠΠΈΠΏΠ»ΠΎΠΌΠ½ΡΠΉ ΠΏΡΠΎΠ΅ΠΊΡ ΠΏΡΠΎΡΠ΅ΡΡΠΈΠΈ Β«Python-ΡΠ°Π·ΡΠ°Π±ΠΎΡΡΠΈΠΊ: ΡΠ°ΡΡΠΈΡΠ΅Π½Π½ΡΠΉ ΠΊΡΡΡΒ» Backend-ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠ΅ Π΄Π»Ρ Π°Π²ΡΠΎΠΌΠ°ΡΠΈΠ·Π°ΡΠΈΠΈ Π·Π°ΠΊΡΠΏΠΎΠΊ. ΠΠΎΠ΄ΡΠΎΠ±Π½ΡΠ΅ ΡΡΠ»ΠΎΠ²ΠΈΡ ΠΏΠΎ ΡΡΡΠ»ΠΊΠ΅: https://github.com/netology-code/python-final-diplom/tree/master.
ΠΠΎΡΠΊΠ²Π°
Π€ΡΠΈΠ»Π°Π½ΡΠ΅ΡΡ
2024-05-14
Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Π½Π° Python
Π΄ΠΈΡΡΠ°Π½ΡΠΈΠΎΠ½Π½ΠΎ
Π΄ΠΎΠ³ΠΎΠ²ΠΎΡΠ½Π°Ρ
Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ Π΄Π»Ρ ΠΠ. ΠΠΎΡΠ°Π±ΠΎΡΠΊΠ° ΡΡΡΠ΅ΡΡΠ²ΡΡΡΠ΅Π³ΠΎ ΠΏΡΠΎΠ΄ΡΠΊΡΠ°. ΠΠ½Π΅ Π΄Π»Ρ Π΄ΠΈΠΏΠ»ΠΎΠΌΠ° Π½ΡΠΆΠ½ΠΎ Π½Π°ΠΏΠΈΡΠ°ΡΡ ΠΏΡΠΎΠ³ΡΠ°ΠΌΠΌΡ. Π‘Π΅ΠΉΡΠ°Ρ ΠΈΠΌΠ΅Π΅ΡΡΡ ΠΏΡΠΎΠ³ΡΠ°ΠΌΠΌΠ° Ρ ΠΠ, Π² ΠΊΠΎΡΠΎΡΡΡ ΠΌΠΎΠΆΠ½ΠΎ Π·Π°ΠΏΠΈΡΡΠ²Π°ΡΡ ΡΠΎΠ²Π°ΡΡ. ΠΡΠΆΠ½ΠΎ ΡΡΡ ΠΏΡΠΎΠ³ΡΠ°ΠΌΠΌΡ ΡΠΈΠ»ΡΠ½ΠΎ Π΄ΠΎΠΏΠΎΠ»Π½ΠΈΡΡ ΠΈ ΡΠ΄Π΅Π»Π°ΡΡ ΡΠ°ΠΊ, ΡΡΠΎΠ±Ρ ΠΎΠ½Π° Π°Π½Π°Π»ΠΈΠ·ΠΈΡΠΎΠ²Π°Π»Π° Π²Π²Π΅Π΄Π΅Π½ΠΈΠ΅ Π΄Π°Π½Π½ΡΠ΅ ΠΏΠΎ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΈΠΌ ΠΌΠ΅ΡΡΠΈΠΊΠ°ΠΌ.
ΠΠΎΡΠΊΠ²Π°
Π€ΡΠΈΠ»Π°Π½ΡΠ΅ΡΡ
2024-05-14
Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Π½Π° Python
Π΄ΠΈΡΡΠ°Π½ΡΠΈΠΎΠ½Π½ΠΎ
Π΄ΠΎΠ³ΠΎΠ²ΠΎΡΠ½Π°Ρ
Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° ΠΏΡΠΈΠ»ΠΎΠΆΠ΅Π½ΠΈΠΉ Π΄Π»Ρ ΠΠ. Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Ρ Π½ΡΠ»Ρ, Π΄ΠΎΡΠ°Π±ΠΎΡΠΊΠ° ΡΡΡΠ΅ΡΡΠ²ΡΡΡΠ΅Π³ΠΎ ΠΏΡΠΎΠ΄ΡΠΊΡΠ°. ΠΡΡ ΡΠ΅Π»ΠΎΠ²Π΅ΠΊΠ° Π² ΠΊΠΎΠΌΠ°Π½Π΄Ρ Π΄Π»Ρ ΡΡΠ°ΡΡΠΈΡ Π² ΡΠΎΡΠ΅Π²Π½ΠΎΠ²Π°Π½ΠΈΠΈ, Π½ΡΠΆΠ½ΠΎ Π°Π²ΡΠΎΠΌΠ°ΡΠΈΠ·ΠΈΡΠΎΠ²Π°ΡΡ ΠΏΡΠΎΡΠ΅ΡΡΡ, Π² ΡΠΎΠΌ ΡΠΈΡΠ»Π΅ Π·Π°Π³ΡΡΠ·ΠΊΡ ΡΠΎΡΠΌΡΠ» Π½Π° ΡΠ°ΠΉΡ ΡΠ΅ΡΠ΅Π· api, ΠΏΡΠ΅Π΄ΠΏΠΎΡΡΠΈΡΠ΅Π»Π΅Π½ Π±ΡΠΊΠ΅Π½Π΄ ΡΠ°Π·ΡΠ°Π±ΠΎΡΡΠΈΠΊ, ΠΏΠΎΠ΄ΡΠΎΠ±Π½ΠΎΡΡΠΈ Π² Π»Ρ.
ΠΠΎΡΠΊΠ²Π°
Π€ΡΠΈΠ»Π°Π½ΡΠ΅ΡΡ
2024-05-14
Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Π½Π° Python
Π΄ΠΈΡΡΠ°Π½ΡΠΈΠΎΠ½Π½ΠΎ
Π΄ΠΎΠ³ΠΎΠ²ΠΎΡΠ½Π°Ρ
Π Π΅ΡΠ΅Π½ΠΈΠ΅ Π·Π°Π΄Π°Ρ ΠΏΠΎ Π°Π»Π³ΠΎΡΠΈΡΠΌΠ°ΠΌ ΠΈ ΡΡΡΡΠΊΡΡΡΠ°ΠΌ Π΄Π°Π½Π½ΡΡ
. Π½Π°ΠΏΠΈΡΠ°Π½ΠΈΠ΅ ΠΊΠΎΠ΄Π° Ρ Π²ΡΠ²ΠΎΠ΄ΠΎΠΌ Π² Π³ΡΠ°ΡΠΈΡΠ΅ΡΠΊΠΎΠΌ ΠΎΠΊΠ½Π΅, Π²ΠΎΠ·ΠΌΠΎΠΆΠ½ΠΎΡΡΡΡ ΡΠ΅Π΄Π°ΠΊΡΠΈΡΠΎΠ²Π°ΡΡ Π² Π½eΠΌ. Π Π΅Π°Π»ΠΈΠ·ΠΎΠ²Π°ΡΡ ΡΠΏΠΈΡΠΎΠΊ ΡΠ°Π±ΠΎΡ Π½Π° Π°Π»Π³ΠΎΡΠΈΡΠΌΡ ΠΈ ΡΡΡΡΠΊΡΡΡΡ Π΄Π°Π½Π½ΡΡ
.
ΠΠΎΡΠΊΠ²Π°
Π€ΡΠΈΠ»Π°Π½ΡΠ΅ΡΡ
2024-05-14
Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Π½Π° Python
Π΄ΠΈΡΡΠ°Π½ΡΠΈΠΎΠ½Π½ΠΎ
ΠΎΡ 500.00 ΡΡΠ±.
Π½Π°ΠΏΠΈΡΠ°Π½ΠΈΠ΅ ΠΊΠΎΠ΄Π° ΠΈ ΠΎΠΏΡΠΎΠ±ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅. Π Π°Π·ΡΠ°Π±ΠΎΡΠΊΠ° Ρ Π½ΡΠ»Ρ. ΠΠ°ΠΏΠΈΡΠ°ΡΡ ΠΊΠΎΠ΄ Π½Π° ΠΏΠ°ΠΉΡΠΎΠ½Π΅ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΡ ΠΈΠΈ ΠΈ ΠΊΠ°ΠΊ Π²ΡΡΠ΅ΡΠ»ΠΈΡΡ ΡΠΈΡΠΈΠ½Π³ΠΎΠ²ΡΠ΅ ΡΡΡΠ»ΠΊΠΈ ΠΈ ΠΎΠΏΡΠΎΠ±ΠΈΡΠΎΠ²Π°ΡΡ Π΅Π³ΠΎ.
ΠΠΎΡΠΊΠ²Π°
Π€ΡΠΈΠ»Π°Π½ΡΠ΅ΡΡ
2024-05-14