Для себя Решить следующие задачи: 1 Вы работаете на метеорологической станции и каждый месяц собираете данные о погоде: минимальную температуру (mn), максимальную температуру (mx), среднюю температуру (me) и количество осадков (pr). Записи вы храните в книге наблюдений в виде numpy.array (the_array) размером (years, 12, 4), где years —— количество лет наблюдений, для удобства пронумерованные от 1 до years. Ваша задача написать две функции. Первая –– closest_month(the_array, mn, mx, me, pr). Она принимает на вход вашу книгу наблюдений (the_array) и данные о новом месяце: mn –– минимум, mx –– максимум, me –– среднее, pr –– осадки. Функция должна определить наиболее похожий по параметрам месяц в вашей книге наблюдений и вернуть соответствующее номер года и номер месяца в виде кортежа. “Похожесть“ между месяцами определим как обычное евклидово расстояние. distance=((mn0–mn1)2+(mx0–mx1)2+(me0–me1)2+(pr0–pr1)2))1/2 Вторая функция –– closest_year(the_array, the_year). Она принимает на вход вашу книгу наблюдений (the_array) и данные о новом годе (the_year) в формате numpy.array размером (4, 12). Функция должна возвращать номер года в вашей книге наблюдений, наиболее похожего на новый год. “Похожесть“ между годами определим как среднее арифметическое “похожестей“ между их месяцами. Примечания В этой задаче вам не нужно считывать данные из stdin и выводить в stdout 2 Напишите функцию chess_board(n, m, zero_first = False), которая возвращает numpy.array размерности (n, m), где нули и единицы расположены в шахматном порядке. Если zero_first = False, на позиции [0,0] в массиве должная стоять единица, иначе ноль. Пример 1 Ввод : chess_board(2, 5) Вывод : array([[1, 0, 1, 0, 1], [0, 1, 0, 1, 0]]) Пример 2 chess_board(4, 4, zero_first = True) Вывод : array([[0, 1, 0, 1], [1, 0, 1, 0], [0, 1, 0, 1], [1, 0, 1, 0]]) Примечания В этой задаче вам не нужно считывать данные из stdin и выводить в stdout 3 В файле titanic.csv хранится информация о пассажирах Титаника (https://en.wikipedia.org/wiki/Titanic) Survived –– равно 1, если пассажир выжил и 0 иначе Pclass –– класс обслуживания Name –– имя пассажира Sex –– Пол пассажира Age –– Возраст пассажира Fare –– стоимость билета в долларах Прочитайте датасет с помощью функции pd.read_csv(). Найдите следующие величины с точностью до сотых (округление проводить функцией round(2…)) и впишите их в поле ответа через пробел в формате х.00, в том же порядке, в котором они перечислены здесь. Количество наблюдений в датасете Среднее значение стоимости билета Стандартное отклонение стоимости билета Медианное значение стоимости билета 42-персентиль стоимости билета Доля выживших среди женщин Доля выживших среди мужчин Средний возраст выживших среди пассажиров первого класса Средняя стоимость билетов среди выживших пассажиров третьего класса Значение коэффициента корреляции Спирмена между переменными Age и Survived Значение коэффициента корреляции Пирсона между переменными Fare и Pclass Значение коэффициента корреляции Пирсона между длиной имени пассажира и Survived (титулы Mr, Mrs и т.д, а также пробелы тоже учитываем) Пример ввода (здесь числа случайные): 1.00 17.00 -5.23 4 В файле orders.csv хранится информация о ресторанах в нескольких городах date –– дата vendor_id –– идентификатор ресторана chain_id –– идентификатор ресторанной сети city_id –– идентификатор города spec –- специализация ресторана successful_orders –– количество успешных заказов fail_orders –– количество неуспешных заказов Прочитайте датасет с помощью функции pd.read_csv(). Найдите следующие величины с точностью до сотых (округление проводить функцией round(2…)) и впишите их в поле ответа через пробел в формате х.00, в том же порядке, в котором они перечислены здесь Количество переменных (столбцов) типа int64 в датасете Произведение количества переменных (столбцы датасета) на количество наблюдений в датасете Количество уникальных ресторанных сетей в датасете Количество ресторанов в датасете, которые специализируются на шашлыках Среднее количество успешных заказов в день по всем ресторанам Количество дней, в которые у ресторана с идентификатором 35430 было менее 13 успешных заказов Идентификатор ресторана, у которого было наибольшее количество неуспешных заказов за весь период Идентификатор города, с наименьшей долей успешных заказов Идентификатор ресторанной сети, которая продемонстрировала наивысший асолютный прирост объема успешных заказов в периоде с июля по август 2019 года. Учитываются только те сети, у которых были заказы и в июле и в августе. Пример ввода (здесь числа случайные): 1.00 17.00 -5.23