CommencerCommencer gratuitement

Page d’accueil
Cours
Analyzing Police Activity with pandas

Le genre influence-t-il les fouilles de véhicules ?

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.

Cet exercice fait partie du cours

Analyzing Police Activity with pandas

IntermédiaireNiveau de compétence

4.9+

Commencer le cours gratuitement

Avant de commencer l’analyse, il est essentiel d’examiner et de nettoyer le jeu de données pour travailler plus efficacement. Dans ce chapitre, vous vous exercerez à corriger les types de données, à gérer les valeurs manquantes et à supprimer des colonnes et des lignes tout en découvrant le jeu de données du Stanford Open Policing Project.

Exercise 1: Jeu de données du Stanford Open Policing Project Exercise 2: Examiner le jeu de données Exercise 3: Supprimer des colonnes Exercise 4: Supprimer des lignes Exercise 5: Utiliser les bons types de données Exercise 6: Identifier un type de données incorrect Exercise 7: Corriger un type de données Exercise 8: Créer un DatetimeIndex Exercise 9: Combiner des colonnes de type object Exercise 10: Définir l’index

Le genre du conducteur a-t-il un impact sur le comportement de la police lors d’un contrôle routier ? Dans ce chapitre, vous explorerez cette question tout en vous entraînant au filtrage, au groupement, au chaînage de méthodes, aux opérations booléennes, aux méthodes sur les chaînes de caractères, et plus encore.

Exercise 1: Les genres commettent-ils des violations différentes ?Exercise 2: Examiner les infractions au code de la route Exercise 3: Comparer les infractions selon le genre Exercise 4: Le genre influence-t-il qui reçoit une amende pour excès de vitesse ?Exercise 5: Filtrer selon plusieurs conditions Exercise 6: Comparer les issues pour excès de vitesse selon le genre Exercise 7: Le genre influence-t-il les fouilles de véhicules ?

Exercice en cours

Exercise 8: Calculer le taux de fouille Exercise 9: Comparer les taux de fouille selon le genre Exercise 10: Ajouter un second facteur à l’analyse Exercise 11: Le genre influence-t-il la personne qui est fouillée lors d’une perquisition ?Exercise 12: Compter les fouilles de sécurité Exercise 13: Comparer les taux de fouille par palpation selon le genre

Avez-vous plus de chances d’être arrêté à certaines heures de la journée ? Les contrôles liés à la drogue sont-ils en hausse ? Dans ce chapitre, vous répondrez à ces questions et à d’autres en analysant visuellement le jeu de données, car les graphiques aident à comprendre les tendances d’une manière que l’examen des données brutes ne permet pas.

Exercise 1: L’heure de la journée influence-t-elle le taux d’arrestation ?Exercise 2: Calcul du taux d’arrestation horaire Exercise 3: Tracer le taux d’arrestation horaire Exercise 4: Les contrôles liés à la drogue sont-ils en hausse ?Exercise 5: Tracer les contrôles liés à la drogue Exercise 6: Comparer les taux liés à la drogue et de fouille Exercise 7: Quelles infractions sont relevées dans chaque district ?Exercise 8: Dénombrement des infractions par district Exercise 9: Tracer les infractions par district Exercise 10: Combien de temps pourriez-vous être arrêté pour une infraction ?Exercise 11: Convertir les durées d’interpellation en nombres Exercise 12: Tracer la durée d’immobilisation

Dans ce chapitre, vous utiliserez un second jeu de données pour explorer l’impact des conditions météorologiques sur le comportement de la police lors des contrôles routiers. Vous vous exercerez à fusionner et remodeler des jeux de données, à évaluer la fiabilité d’une source de données, à travailler avec des données catégorielles, et à d’autres compétences avancées.

Exercise 1: Explorer le jeu de données météo Exercise 2: Tracer la température Exercise 3: Tracer l’écart de température Exercise 4: Catégoriser la météo Exercise 5: Compter les conditions météo défavorables Exercise 6: Évaluer les conditions météo Exercise 7: Changer le type de données en catégorie Exercise 8: Fusionner des jeux de données Exercise 9: Préparer les DataFrames Exercise 10: Fusionner les DataFrames Exercise 11: La météo influence-t-elle le taux d’arrestation ?Exercise 12: Comparer les taux d’arrestation selon l’évaluation de la météo Exercise 13: Sélectionner dans une Series à index multiple Exercise 14: Remodeler les données du taux d’arrestation Exercise 15: Conclusion