Začněte nyníZačněte zdarma

Domů
Kurzy
Analyzing Police Activity with pandas

Má pohlaví vliv na to, kdo je během prohlídky prohledán?

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Analyzing Police Activity with pandas

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

Než se pustíš do samotné analýzy, je důležité dataset nejprve prozkoumat a vyčistit – práce s ním pak bude mnohem plynulejší. V této kapitole si procvičíš opravu datových typů, práci s chybějícími hodnotami a odstraňování sloupců a řádků, a to vše na datasetu projektu Stanford Open Policing.

Exercise 1: Dataset projektu Stanford Open Policing Exercise 2: Prozkoumání datasetu Exercise 3: Odstraňování sloupců Exercise 4: Odstranění řádků Exercise 5: Správné datové typy Exercise 6: Hledání nesprávného datového typu Exercise 7: Oprava datového typu Exercise 8: Vytvoření DatetimeIndex Exercise 9: Spojování sloupců typu object Exercise 10: Nastavení indexu

Má pohlaví řidiče vliv na chování policie při dopravní kontrole? Tuto otázku prozkoumáš v kapitole, kde si procvičíš filtrování, seskupování, řetězení metod, booleovskou matematiku, práci s řetězci a mnoho dalšího!

Exercise 1: Páchají různá pohlaví různá přestupení?Exercise 2: Prozkoumání dopravních přestupků Exercise 3: Porovnání přestupků podle pohlaví Exercise 4: Má pohlaví vliv na to, kdo dostane pokutu za překročení rychlosti?Exercise 5: Filtrování podle více podmínek Exercise 6: Porovnání výsledků zastavení za rychlost podle pohlaví Exercise 7: Má pohlaví vliv na to, čí vozidlo je prohledáno?Exercise 8: Výpočet míry prohledávání Exercise 9: Porovnání míry prohledávání podle pohlaví Exercise 10: Přidání druhého faktoru do analýzy Exercise 11: Má pohlaví vliv na to, kdo je během prohlídky prohledán?

Aktuální cvičení

Exercise 12: Počítání preventivních prohlídek Exercise 13: Porovnání míry osobních prohlídek podle pohlaví

Je pravděpodobnější, že tě zatknou v určitou denní dobu? Přibývá zastavení kvůli drogám? V této kapitole na tyto i další otázky odpovíš vizuální analýzou datasetu – grafy totiž odhalí trendy, které by v surových datech snadno unikly.

Exercise 1: Závisí míra zatčení na denní době?Exercise 2: Výpočet hodinové míry zatčení Exercise 3: Vizualizace hodinové míry zatčení Exercise 4: Přibývá zastavení kvůli drogám?Exercise 5: Vizualizace zástavení souvisejících s drogami Exercise 6: Porovnání podílů drogových kontrol a prohlídek Exercise 7: Jaká porušení se řeší v jednotlivých okrscích?Exercise 8: Počty přestupků podle okresu Exercise 9: Vizualizace přestupků podle obvodu Exercise 10: Jak dlouho tě může zastavení kvůli přestupku zdržet?Exercise 11: Převod délky zastavení na čísla Exercise 12: Vizualizace délky zastavení

V této kapitole využiješ druhý dataset ke zkoumání vlivu počasí na chování policie při dopravních kontrolách. Procvičíš si slučování a transformaci datasetů, ověřování důvěryhodnosti zdrojů dat, práci s kategoriálními daty a další pokročilé dovednosti.

Exercise 1: Průzkum datové sady o počasí Exercise 2: Vizualizace teploty Exercise 3: Vizualizace teplotního rozdílu Exercise 4: Kategorizace počasí Exercise 5: Počítání nepříznivých povětrnostních podmínek Exercise 6: Hodnocení povětrnostních podmínek Exercise 7: Změna datového typu na kategorický Exercise 8: Spojování datových sad Exercise 9: Příprava DataFramů Exercise 10: Spojení DataFramů Exercise 11: Má počasí vliv na míru zatčení?Exercise 12: Porovnání míry zatčení podle hodnocení počasí Exercise 13: Výběr dat z Series s více úrovněmi indexu Exercise 14: Změna tvaru dat o míře zatčení Exercise 15: Závěr