Kom igångKom igång gratis

Hem
Kurser
Analysera polisaktivitet med pandas

Stanford Open Policing Project-datamängden

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.

Den här övningen är en del av kursen

Analysera polisaktivitet med pandas

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Innan du börjar analysera är det viktigt att du först undersöker och rensar datasetet, så att arbetet med det går smidigare. I det här kapitlet övar du på att åtgärda datatyper, hantera saknade värden och ta bort kolumner och rader – allt medan du lär dig om Stanford Open Policing Project-datasetet.

Exercise 1: Stanford Open Policing Project-datamängden

Aktuell övning

Exercise 2: Utforska datamängden Exercise 3: Ta bort kolumner Exercise 4: Ta bort rader Exercise 5: Använda rätt datatyper Exercise 6: Hitta en felaktig datatyp Exercise 7: Åtgärda en datatyp Exercise 8: Skapa ett DatetimeIndex Exercise 9: Kombinera objektkolumner Exercise 10: Ange indexet

Har förarens kön någon inverkan på polisens beteende vid en trafikkontroll? Det är frågan du utforskar i det här kapitlet, samtidigt som du övar på filtrering, gruppering, metodkedjning, boolesk matematik, strängmetoder och mer!

Exercise 1: Begår könen olika typer av trafikbrott?Exercise 2: Undersöka trafiköverträdelser Exercise 3: Jämföra trafiköverträdelser efter kön Exercise 4: Påverkar kön vem som får en fortkörningsbot?Exercise 5: Filtrering med flera villkor Exercise 6: Jämföra utfall vid fortkörning per kön Exercise 7: Påverkar kön vems fordon som genomsöks?Exercise 8: Beräkna andelen genomsökningar Exercise 9: Jämför visitationsfrekvenser efter kön Exercise 10: Lägger till en andra faktor i analysen Exercise 11: Påverkar kön vem som visiteras vid en husrannsakan?Exercise 12: Räkna skyddsvisitering Exercise 13: Jämföra visitationsfrekvenser efter kön

Är det större risk att bli gripen vid en viss tidpunkt på dygnet? Ökar antalet drogrelaterade stopp? I det här kapitlet besvarar du dessa och andra frågor genom att analysera datasetet visuellt – diagram hjälper dig att se trender som är svåra att upptäcka i rådata.

Exercise 1: Påverkar tiden på dygnet andelen anhållna?Exercise 2: Beräkna den timvisa gripningsfrekvensen Exercise 3: Plotta den timvisa gripandegraden Exercise 4: Ökar narkotikarelaterade trafikstopp?Exercise 5: Visualisera narkotikarelaterade stopp Exercise 6: Jämföra narkotika- och sökfrekvenser Exercise 7: Vilka trafikbrott registreras i varje distrikt?Exercise 8: Räkna överträdelser per distrikt Exercise 9: Visualisera trafikbrott per distrikt Exercise 10: Hur länge kan du bli stoppad för en överträdelse?Exercise 11: Konvertera stopptider till tal Exercise 12: Visualisera stopplängd

I det här kapitlet använder du ett andra dataset för att undersöka hur väderförhållanden påverkar polisens beteende vid trafikkontroller. Du övar på att sammanfoga och omforma dataset, bedöma om en datakälla är tillförlitlig, arbeta med kategorisk data och andra avancerade färdigheter.

Exercise 1: Utforska väderdatamängden Exercise 2: Visualisera temperaturen Exercise 3: Visualisera temperaturskillnaden Exercise 4: Kategorisera vädret Exercise 5: Räkna dåliga väderförhållanden Exercise 6: Betygsätt väderförhållandena Exercise 7: Ändra datatypen till kategori Exercise 8: Slå ihop datamängder Exercise 9: Förbereda DataFrames Exercise 10: Sammanfoga DataFrames Exercise 11: Påverkar vädret gripningsfrekvensen?Exercise 12: Jämföra anhållningsfrekvens per väderbetyg Exercise 13: Välja från en Series med MultiIndex Exercise 14: Omforma data för gripandefrekvens Exercise 15: Avslutning