{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Лабораторная работа 1\n",
    "\n",
    "## Общая информация\n",
    "\n",
    "Дата выдачи: 26.01.2016\n",
    "\n",
    "Срок сдачи: 09.02.2016 09:00 MSK \n",
    "\n",
    "### О задании\n",
    "Цель лабораторной работы №1 - познакомиться поближе с работой библиотек NumPy и Pandas путём решения набора задач. Для выполнения задания необходимо заполнить данный ipython notebook, решив поставленные задачи.\n",
    "\n",
    "### Оценивание и штрафы\n",
    "Каждая из задач имеет определенную «стоимость» (указана в скобках около задачи). Максимально допустимая оценка за работу — 10 баллов.\n",
    "\n",
    "Сдавать задание после указанного срока сдачи нельзя. При выставлении неполного балла за задание в связи с наличием ошибок на усмотрение проверяющего предусмотрена возможность исправить задание на указанных в ответном письме условиях.\n",
    "\n",
    "Задание выполняется САМОСТОЯТЕЛЬНО. «Похожие» решения считаются плагиатом и все задействованные студенты (в том числе те, у кого списали) не могут получить за него больше 0 баллов. Если вы нашли решение какого-то из заданий в открытом источнике, необходимо прислать ссылку на этот источник (скорее всего вы будете не единственным, кто это нашел, поэтому чтобы исключить подозрение в плагиате, необходима ссылка на источник). \n",
    "\n",
    "Если вы будете решать задание на виртуальной машине, учтите, что его могут видеть все.\n",
    "\n",
    "### Формат сдачи\n",
    "Для сдачи задания переименуйте получившийся файл \\*.ipynb в соответствии со следующим форматом: *Username_(group)_Lab1.ipynb*, где Username — ваша фамилия на латинице, group — название группы (например, Kozlova_IAD-11_Lab1.ipynb). Далее отправьте этот файл на используемую в Вашей группе почту курса (hse.minor.dm@gmail.com) c темой письма *[ИАД-NN] - Лабораторная работа 1 - Фамилия Имя Отчество*."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Numpy\n",
    "\n",
    "Во всех заданиях ниже крайне не рекомендуется использовать циклы."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "import numpy as np\n",
    "import pandas as pd\n",
    "import matplotlib.pyplot as plt\n",
    "%matplotlib inline"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "** 1. (0.5 балла) ** Написать функцию, принимающую на вход число $N$, которая возвращает матрицу размера $N \\times N$, в которой нули и единицы расположены в шахматном порядке. Например:\n",
    "\n",
    "    >>> print(checker(2))\n",
    "    [[0 1] [1 0]]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "def checker(N):\n",
    "    pass"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "** 2. (0.5 балла) ** Написать функцию, принимающую на вход число $N$, которая возвращает матрицу размера $N \\times N$ с последовательностью чисел $1, 2, ..., N - 1$ под главной диагональю. Например:\n",
    "    >>> print(sub_diagonal_matrix(3))\n",
    "    [[0 0 0 0]\n",
    "     [1 0 0 0]\n",
    "     [0 2 0 0]\n",
    "     [0 0 3 0]]"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "def sub_diagonal_matrix(N):\n",
    "    pass"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "** 3. (0.5 балла) ** Написать функцию, которая получает на вход матрицу и масштабирует каждый её столбец, а именно вычитает из столбца его среднее значение и делит столбец на стандартное отклонение. Сгенерировать с помощью метода *numpy.random.randint* случайную матрицу и проверить на ней работу метода. "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "def scale(A):\n",
    "    pass"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "В следующей паре заданий используются данные о расположении в Москве камер видеонаблюдения. Данные можно найти по адресу https://github.com/611953/iad-20 в папке \"Данные к домашнему заданию\", а с помощью метода *numpy.load()* их можно загрузить в блокнот. Массив размера (27362, 3) представляет из себя 27362 записи о расположениях камер: количество камер в данной точке, ширина и долгота.  \n",
    "\n",
    "** 4. (1 балл) ** Согласно Википедии, координаты Кремля 55°45′06″ с. ш. 37°37′04″ в.д. Из тех же источников можно установить, что длина земного экватора составляет 40075 км. Для простоты предположим, что Москва плоская и расстояния в ней можно считать с помощью теоремы Пифагора. Написать функцию, которая преобразует массив с данными о расположении камер в массив выраженных в километрах расстояний от камеры до Кремя."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "def distance(cameras):\n",
    "    pass"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "** 5. (1.5 балл) **  Построим более удобную для работы карту камер. Отобразим точки на карте в единичный квадрат: для этого поделим значения широты и долготы на соответствующие максимальные значения. Разобьем единичный квадрат на $N \\times N$ маленьких одинаковых квадратов. Каждая из точек на карте попадет в один из маленьких квадратов разбиения.\n",
    "Требуется написать функцию, которая получает на вход массив данных о камерах, а на выходе выдает матрицу из $ N \\times N$ целых чисел, равных количеству камер в соответствующем маленьком квадрате. "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "def cam_heatmap(cameras, N):\n",
    "    pass "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Если функция написана правильно, этот код должен рисовать карту камер:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": [
    "plt.clf()\n",
    "plt.imshow(cam_heatmap(cameras, 100))\n",
    "plt.show()"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Pandas\n",
    "\n",
    "Далее предложено ответить на вопросы по данным об авиарейсах в США за январь-апрель 2008 года.\n",
    "\n",
    "Загрузить данные можно здесь: http://stat-computing.org/dataexpo/2009/2008.csv.bz2 (обратите внимание, что распаковывать этот файл не обязательно — функция pandas.read_csv умеет читать из архивов автоматически)\n",
    "\n",
    "Описание датасета: http://stat-computing.org/dataexpo/2009/the-data.html"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "** 1. (0.5 балла) ** Какая из причин отмены рейса (CancellationCode) была самой частой? (расшифровки кодов можно найти в описании данных)\n",
    "\n",
    "** 2. (0.5 балла) ** Найдите среднее, минимальное и максимальное расстояние, пройденное самолетом.\n",
    "\n",
    "** 3. (1 балл) ** Не выглядит ли подозрительным минимальное пройденное расстояние? В какие дни и на каких рейсах оно было? Какое расстояние было пройдено этими же рейсами в другие дни?\n",
    "\n",
    "** 4. (1 балл) ** Из какого аэропорта было произведено больше всего вылетов? В каком городе он находится?\n",
    "\n",
    "** 5. (1.5 балла) ** Найдите для каждого аэропорта среднее время полета (AirTime) по всем вылетевшим из него рейсам. Какой аэропорт имеет наибольшее значение этого показателя?\n",
    "\n",
    "** 6. (1.5 балла) ** Найдите аэропорт, у которого наибольшая доля задержанных (DepDelay > 0) рейсов. Исключите при этом из рассмотрения аэропорты, из которых было отправлено меньше 1000 рейсов (используйте функцию filter после groupby)."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "collapsed": true
   },
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 2",
   "language": "python",
   "name": "python2"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 2
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython2",
   "version": "2.7.8"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 0
}