def task4(): # 4.Какого возраста были пассажиры? Посчитайте среднее и медиану возраста # пассажиров. В качестве ответа приведите два числа через пробел. age = data['Age'] line = '{:0.2f}'.format(age.mean()) + ' ' + '{:0.2f}'.format(age.median()) print_answer(4, line)
def main(): # Input file that contains the input for # commuters, cabs and destination location input_file = "sample_inputs/%s" % SAMPLE_INPUT_FILE if len(sys.argv) == 2: input_file = sys.argv[1] # Parse input file commuters, cabs, destination = parse_input_file(input_file) # Create clusters of commuters clusters = kmeans(commuters, cabs) # Centroid of each cluster represents virtual centre of # each commuter group groups = [c.centroid for c in clusters] # Find distance between each commuter group and cab all_distances = get_group_cab_distances(groups, cabs) # Find optimal total distance and route travelled by all the cabs optimal_distance, optimal_route = optimal_total_distance( all_distances, groups, cabs) # Add total distance between group and destination to optimal distance optimal_distance = add_destination_distance(optimal_distance, groups, destination) # Print answer print_answer(optimal_distance, optimal_route, clusters, cabs)
def task1(): # 1.Какое количество мужчин и женщин ехало на корабле? В качестве ответа # приведите два числа через пробел. sex_counts = data['Sex'].value_counts() line = str(sex_counts['male']) + ' ' + str(sex_counts['female']) print_answer(1, line)
def task3(): # 3.Какую долю пассажиры первого класса составляли среди всех пассажиров? # Ответ приведите в процентах (число в интервале от 0 до 100, знак процента # не нужен), округлив до двух знаков. pclass_counts = data['Pclass'].value_counts() first_pclass_prct = get_percentage(pclass_counts[1], pclass_counts.sum()) print_answer(3, '{:0.2f}'.format(first_pclass_prct))
def task2(): # 2.Какой части пассажиров удалось выжить? Посчитайте долю выживших # пассажиров. Ответ приведите в процентах (число в интервале от 0 до 100, # знак процента не нужен), округлив до двух знаков. survived = data['Survived'].value_counts() srvd_prct = get_percentage(survived[1], survived.sum()) print_answer(2, '{:0.2f}'.format(srvd_prct))
def task5(): # 5.Коррелируют ли число братьев/сестер/супругов с числом родителей/детей? # Посчитайте корреляцию Пирсона между признаками SibSp и Parch. print_answer(5, '{:0.2f}'.format(data['SibSp'].corr(data['Parch'])))
import numpy as np import utils import cv2 from keras import backend as K from model.VGG16 import VGG16 K.set_image_dim_ordering('tf') if __name__ == "__main__": model = VGG16(2) model.load_weights("./logs/middle_one.h5") img = cv2.imread("./data/image/train/cat.1.jpg") img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = img / 255 img = np.expand_dims(img, axis=0) img = utils.resize_image(img, (224, 224)) print(utils.print_answer(np.argmax(model.predict(img))))
from selenium import webdriver from utils import print_answer browser = webdriver.Chrome() try: browser.get("http://suninjuly.github.io/huge_form.html") elements = browser.find_elements_by_css_selector("[type='text']") for element in elements: element.send_keys("Ans") button = browser.find_element_by_css_selector("button.btn") button.click() print_answer(browser) finally: browser.quit()
import numpy as np import utils import cv2 from keras import backend as K from model.AlexNet import AlexNet # K.set_image_dim_ordering('tf') K.image_data_format() == 'channels_first' if __name__ == "__main__": model = AlexNet() model.load_weights("./logs/last1.h5") img = cv2.imread("./test2.jpg") img_RGB = cv2.cvtColor(img,cv2.COLOR_BGR2RGB) img_nor = img_RGB/255 img_nor = np.expand_dims(img_nor,axis = 0) img_resize = utils.resize_image(img_nor,(224,224)) #utils.print_answer(np.argmax(model.predict(img))) print('the answer is: ',utils.print_answer(np.argmax(model.predict(img_resize)))) cv2.imshow("ooo",img) cv2.waitKey(0)
def main(): start = time.time() utils.print_answer(bin_diagnostic_1(), start)
# 2. Оставьте в выборке четыре признака: класс пассажира (Pclass), цену # билета (Fare), возраст пассажира (Age) и его пол (Sex). x_attributes = ['Pclass', 'Fare', 'Age', 'Sex'] X = data.loc[:, x_attributes] # 3. Обратите внимание, что признак Sex имеет строковые значения. f = lambda sex: 1 if sex == 'male' else 0 X['Sex'] = X['Sex'].map(f) # 4. Выделите целевую переменную — она записана в столбце Survived. Y = data['Survived'] # 5. В данных есть пропущенные значения — например, для некоторых пассажиров # неизвестен их возраст. Такие записи при чтении их в pandas принимают значение # nan. Найдите все объекты, у которых есть пропущенные признаки, и удалите # их из выборки. X = X.dropna() Y = Y[X.index.values] # 6. Обучите решающее дерево с параметром random_state=241 и остальными параметрами по умолчанию (речь идет о параметрах конструктора DecisionTreeСlassifier). dtc = DecisionTreeClassifier(random_state=241) dtc.fit(X, Y) # 7. Вычислите важности признаков и найдите два признака с наибольшей важностью. Их названия будут ответами для данной задачи (в качестве ответа укажите названия признаков через запятую или пробел, порядок не важен). importances = pnd.Series(dtc.feature_importances_, index=x_attributes) print_answer( 1, ' '.join(importances.sort_values(ascending=False).head(2).index.values))