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))
