[mlcourse.ai](https://mlcourse.ai) – открытый курс OpenDataScience по машинному обучению \n",
" \n",
"Автор материала: Екатерина Демидова, Data Scientist @ Segmento. Материал распространяется на условиях лицензии [Creative Commons CC BY-NC-SA 4.0](https://creativecommons.org/licenses/by-nc-sa/4.0/). Можно использовать в любых целях (редактировать, поправлять и брать за основу), кроме коммерческих, но с обязательным упоминанием автора материала.\n",
"Автор материала: "
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"#
Домашнее задание № 2 (демо). Визуальный анализ данных о публикациях на Хабрахабре
\n",
"\n",
"**Заполните код в клетках и ответьте на вопросы в [веб-форме](https://docs.google.com/forms/d/1y8qj5iYpaVhczjWnZuHd5NRR_sdCGy3eTF5n-qPKknQ).**"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"import pandas as pd\n",
"\n",
"%matplotlib inline\n",
"import matplotlib.pyplot as plt\n",
"import seaborn as sns"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Загрузка и знакомство с данными\n",
"\n",
"Для работы вам понадобятся предобработанные данные нашего учебного конкурса на kaggle [«Прогноз популярности статьи на Хабре»](https://www.kaggle.com/c/howpop-habrahabr-favs). Скачайте [данные](https://drive.google.com/file/d/1nV2qV9otN3LnVSDqy95hvpJdb6aWtATk/view?usp=sharing) соревнования (данные были удалены с Kaggle ради организации последующего идентичного соревнования, так что тут ссылка на Google Drive)."
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"# при необходимости поменяйте путь к данным\n",
"df = pd.read_csv(\"../../data/howpop_train.csv\")"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"df.shape"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"df.head(3).T"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Избавимся сразу от переменных, названия которых заканчиваются на `_lognorm` (нужны для соревнования на Kaggle). Выберем их с помощью `filter()` и удалим `drop`-ом:"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"df.drop(\n",
" filter(lambda c: c.endswith(\"_lognorm\"), df.columns),\n",
" axis=1, # axis = 1: столбцы\n",
" inplace=True,\n",
") # избавляет от необходимости сохранять датасет"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"df.describe().T"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"df.describe(include=[\"object\", \"bool\"]).T # бинарные и категориальные переменные"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"# настройка внешнего вида графиков в seaborn\n",
"sns.set_style(\"dark\")\n",
"sns.set_palette(\"RdBu\")\n",
"sns.set_context(\n",
" \"notebook\", font_scale=1.5, rc={\"figure.figsize\": (15, 5), \"axes.titlesize\": 18}\n",
")"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Столбец **`published`** (время публикации) содержит строки. Чтобы мы могли работать с этими данными как с датой/временем публикации, приведём их к типу `datetime`:"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"print(df.published.dtype)\n",
"df[\"published\"] = pd.to_datetime(df.published, yearfirst=True)\n",
"print(df.published.dtype)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Создадим несколько столбцов на основе данных о времени публикации:"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"df[\"year\"] = [d.year for d in df.published]\n",
"df[\"month\"] = [d.month for d in df.published]\n",
"\n",
"df[\"dayofweek\"] = [d.isoweekday() for d in df.published]\n",
"df[\"hour\"] = [d.hour for d in df.published]"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"-----\n",
"Теперь Ваша очередь. В каждом пункте предлагается построить картинку и с ее помощью ответить на вопрос в [форме](https://docs.google.com/forms/d/e/1FAIpQLSf3b5OG8zX_nLQBQ-t20c6M5Auz-VUL-yxj8Fm9_o_XWDBTrg/viewform?c=0&w=1). Конечно, можно попытаться ответить на все вопросы только с Pandas, без картинок, но мы советуем Вам потренироваться строить (красивые) визуализации. "
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## 1\\. В каком месяце (и какого года) было больше всего публикаций?\n",
"\n",
"* март 2016\n",
"* март 2015\n",
"* апрель 2015\n",
"* апрель 2016"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## 2\\. Проанализируйте публикации в месяце из предыдущего вопроса\n",
"\n",
"Выберите один или несколько вариантов:\n",
"\n",
"* Один или несколько дней сильно выделяются из общей картины\n",
"* На хабре _всегда_ больше статей, чем на гиктаймсе\n",
"* По субботам на гиктаймс и на хабрахабр публикуют примерно одинаковое число статей\n",
"\n",
"Подсказки: постройте график зависимости числа публикаций от дня; используйте параметр `hue`; не заморачивайтесь сильно с ответами и не ищите скрытого смысла :)"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## 3\\. Когда лучше всего публиковать статью?\n",
"\n",
"* Больше всего просмотров набирают статьи, опубликованные в 12 часов дня\n",
"* У опубликованных в 10 утра постов больше всего комментариев\n",
"* Больше всего просмотров набирают статьи, опубликованные в 6 часов утра\n",
"* Максимальное число комментариев на гиктаймсе набрала статья, опубликованная в 9 часов вечера\n",
"* На хабре дневные статьи комментируют чаще, чем вечерние"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## 4\\. Кого из топ-20 авторов чаще всего минусуют?\n",
"\n",
"* @Mordatyj\n",
"* @Mithgol\n",
"* @alizar\n",
"* @ilya42"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## 5\\. Сравните субботы и понедельники\n",
"\n",
"Правда ли, что по субботам авторы пишут в основном днём, а по понедельникам — в основном вечером?"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
}
],
"metadata": {
"kernelspec": {
"display_name": "Python 3",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.7.6"
}
},
"nbformat": 4,
"nbformat_minor": 2
}