Снедков Илья АТ-18

REPORT.md

@@ -0,0 +1,15 @@
+####Из 1068 людей не совпадают профессия и должность у 793.
+
+## Топ образований людей, которые работают менеджерами:
+1. бакалавр - 11
+2. менеджер - 10
+3. специалист - 6
+4. экономист - 6
+5. экономист-менеджер - 4
+
+## Топ должностей людей, которые по диплому являются инженерами:
+1. заместитель директора - 3
+2. главный инженер - 3
+3. ведущий инженер-конструктор - 2
+4. инженер лесопользования - 2
+5. директор - 2

pandas_task.py

@@ -0,0 +1,79 @@
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+
+works = pd.read_csv("works.csv")
+
+#1
+print(works.shape[0])
+
+#2
+print(works[works['gender'] == 'Мужской'].shape[0], works[works['gender'] == 'Женский'].shape[0])
+
+#3
+print(works['skills'].notna().values.sum())
+
+#4
+print(works[works['skills'].notna()])
+#print(works.query("skills == skills")["skills"])
+
+#5
+df = works.skills.dropna().str.lower().str.contains('python|питон')
+print(works[works.skills.notna()][df]['salary'])
+
+#6
+percentiles = np.linspace(.1, 1, 10)
+
+men_salary = works.query('gender == "Мужской"').quantile(percentiles)
+women_salary = works.query('gender == "Женский"').quantile(percentiles)
+
+fig, ax = plt.subplots()
+ax.plot(percentiles, men_salary)
+plt.xlabel("Перцентили")
+plt.ylabel("Зарплата мужчин")
+
+plt.show()
+
+fig, ax = plt.subplots()
+ax.plot(percentiles, men_salary)
+plt.xlabel("Перцентили")
+plt.ylabel("Зарплата женщин")
+
+plt.show()
+
+#7
+works.query("gender == 'Мужской' and educationType == 'Высшее'").hist(bins=100, alpha=0.5)
+plt.show()
+
+works.query("gender == 'Женский' and educationType == 'Высшее'").hist(bins=100, alpha=0.5)
+plt.show()
+
+#8
+def count_people_diploma_not_match_job(data):
+    result = 0
+    for (jt, q) in zip(data["jobTitle"], data["qualification"]):
+        if not does_diploma_match(jt, q) and not does_diploma_match(q, jt):
+            result += 1
+    return result
+
+def get_top_job(data, job, first_parameter, second_parameter):
+    workers = data[data[first_parameter].str.contains(job)]
+    return workers[second_parameter].value_counts().head(5)
+
+def does_diploma_match(str1, str2):
+    str_array = str1.lower().replace('-', ' ').split()
+    for word in str_array:
+        if word in str2.lower():
+            return True
+    return False
+
+works = pd.read_csv("works.csv").dropna()
+works = works.apply(lambda record: record.astype(str).str.lower())
+number_of_people = count_people_diploma_not_match_job(works)
+print("Из {} людей не совпадают профессия и должность у {}".format(works.shape[0], number_of_people))
+
+print("\nТоп образований людей, которые работают менеджерами:")
+print(get_top_job(works, "менеджер", "jobTitle", "qualification"))
+
+print("\nТоп должностей людей, которые по диплому являются инженерами:")
+print(get_top_job(works, "инженер", "qualification", "jobTitle"))