IniziaInizia gratis

Home
Corsi
Analizzare l'attività di polizia con pandas

Usare i tipi di dati corretti

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.

Questo esercizio fa parte del corso

Analizzare l'attività di polizia con pandas

IntermediárioNível de habilidade

4.9+

Inizia il corso gratis

Prima di iniziare l'analisi, è fondamentale esaminare e ripulire il dataset, così da rendere il lavoro più efficiente. In questo capitolo farai pratica nel correggere i tipi di dato, gestire i valori mancanti e rimuovere colonne e righe, imparando nel frattempo a conoscere il dataset dello Stanford Open Policing Project.

Exercise 1: Insieme di dati dello Stanford Open Policing Project Exercise 2: Esplorare l'insieme di dati Exercise 3: Eliminare colonne Exercise 4: Eliminare righe Exercise 5: Usare i tipi di dati corretti

Esercizio in corso

Exercise 6: Individuare un tipo di dato errato Exercise 7: Correggere un tipo di dato Exercise 8: Creare un DatetimeIndex Exercise 9: Unire colonne di tipo object Exercise 10: Impostare l'indice

Il genere di chi guida influisce sul comportamento della polizia durante un controllo stradale? In questo capitolo esplorerai questa domanda esercitandoti con filtri, raggruppamenti, concatenazione di metodi, algebra booleana, metodi per stringhe e altro ancora!

Exercise 1: I generi commettono infrazioni diverse?Exercise 2: Esaminare le infrazioni stradali Exercise 3: Confrontare le infrazioni per genere Exercise 4: Il genere influisce su chi riceve una multa per eccesso di velocità?Exercise 5: Filtrare con più condizioni Exercise 6: Confrontare gli esiti per eccesso di velocità in base al genere Exercise 7: Il genere influisce su chi subisce la perquisizione del veicolo?Exercise 8: Calcolare il tasso di perquisizione Exercise 9: Confrontare i tassi di perquisizione per genere Exercise 10: Aggiungere un secondo fattore all'analisi Exercise 11: Il genere influisce su chi viene perquisito durante un controllo?Exercise 12: Contare i "protective frisk"Exercise 13: Confrontare le frequenze di perquisizioni personali per genere

È più probabile essere arrestati in certi momenti della giornata? I controlli legati alla droga stanno aumentando? In questo capitolo risponderai a queste e ad altre domande analizzando il dataset in modo visivo, perché i grafici possono aiutarti a cogliere le tendenze in un modo che l'esame dei dati grezzi non consente.

Exercise 1: L'ora del giorno influisce sul tasso di arresti?Exercise 2: Calcolare il tasso orario di arresti Exercise 3: Rappresentare il tasso orario di arresto Exercise 4: I controlli legati alla droga sono in aumento?Exercise 5: Rappresentare i fermi legati alla droga Exercise 6: Confrontare i tassi di droga e di perquisizione Exercise 7: Quali infrazioni vengono rilevate in ciascun distretto?Exercise 8: Conteggio delle infrazioni per distretto Exercise 9: Grafici delle infrazioni per distretto Exercise 10: Quanto a lungo potresti essere fermato per una violazione?Exercise 11: Convertire le durate degli stop in numeri Exercise 12: Rappresentare la durata del fermo

In questo capitolo userai un secondo dataset per esplorare l'impatto delle condizioni meteo sul comportamento della polizia durante i controlli stradali. Farai pratica nel fare merge e rimodellare insiemi di dati, valutare l'affidabilità di una fonte, lavorare con dati categorici e altre competenze avanzate.

Exercise 1: Esplorare l'insieme di dati meteo Exercise 2: Rappresentare la temperatura Exercise 3: Rappresentare la differenza di temperatura Exercise 4: Categorizzare il meteo Exercise 5: Contare le condizioni meteo avverse Exercise 6: Valutare le condizioni meteo Exercise 7: Cambiare il tipo di dato in categoria Exercise 8: Unire gli insiemi di dati Exercise 9: Preparare i DataFrame Exercise 10: Unire i DataFrame Exercise 11: Il meteo influisce sul tasso di arresti?Exercise 12: Confrontare i tassi di arresto in base alla valutazione del meteo Exercise 13: Selezionare da una Series con MultiIndex Exercise 14: Rimodellare i dati sul tasso di arresto Exercise 15: Conclusione