Vladislav Yegorov AT-19

REPORT.md

@@ -0,0 +1,19 @@
+## Из 1068 людей не совпадают профессия и должность у 793.
+
+### Топ-5 образований людей, которые работают менеджерами:
+|Образование|Количество| 
+|---|---|
+|бакалавр|11|
+|менеджер|10|
+|специалист|6|
+|экономист|6|
+|экономист-менеджер|4|
+
+### Топ-5 должностей людей, которые по диплому являются инженерами:
+|Должность|Количество| 
+|---|---|
+|заместитель директора|3|
+|главный инженер |3|
+|ведущий инженер-конструктор|2|
+|инженер лесопользования|2|
+|директор|2|

classwork.py

@@ -0,0 +1,50 @@
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as mp
+
+works = pd.read_csv("works.csv")
+
+# 1
+print("Общее количество записей:", works.shape[0])
+
+# 2
+print("Количество мужчин:", works[works["gender"] == "Мужской"].shape[0])
+print("Количество женщин:", (works["gender"] == "Женский").sum())
+
+# 3
+print("Количество не NaN значений", works["skills"].count())
+
+# 4
+print("Все заполненные скиллы\n", works['skills'].dropna())
+
+# 5
+skills_bool = works['skills'].str.lower().str.contains('python | питон') & works['skills'].notnull()
+print("Зарплата тех, у кого в скиллах есть Python (Питон)\n", works[skills_bool]['salary'])
+
+# 6
+salary_p = np.linspace(0.1, 1, 10)
+w = works[works.gender == "Женский"]['salary'].quantile(salary_p)
+m = works[works.gender == "Мужской"]['salary'].quantile(salary_p)
+
+mp.plot(m, salary_p, color='blue')
+mp.plot(w, salary_p, color='r')
+mp.xlabel('salary')
+mp.ylabel('quantile')
+mp.show()
+
+# 7
+men_salary = works.query("gender == 'Мужской'").groupby("educationType").agg("mean").reset_index()
+women_salary = works.query("gender == 'Женский'").groupby("educationType").agg("mean").reset_index()
+
+educationTypes = men_salary["educationType"].values
+men_salaries = men_salary["salary"].values
+women_salary = women_salary["salary"].values
+
+index = np.arange(len(educationTypes))
+
+bw = 0.4
+mp.bar(index-bw/2, men_salaries, bw, color="b", label="Средняя зарплата мужчин")
+mp.bar(index+bw/2, women_salary, bw, color="r", label="Средняя зарплата женщин")
+mp.xticks(index, educationTypes, rotation=45)
+mp.legend()
+mp.show()

homework.py

@@ -0,0 +1,34 @@
+import pandas as pd
+
+
+def does_not_match(jobTitle, qualification, data):
+    count = 0
+    for (first_field, second_field) in zip(data[jobTitle], data[qualification]):
+        if not it_coincided(first_field, second_field) and not it_coincided(second_field, first_field):
+            count += 1
+    return count
+
+
+def it_coincided(first_field, second_field):
+    words = first_field.lower().replace('-', ' ').split()
+    for word in words:
+        if word in second_field.lower():
+            return True
+    return False
+
+
+def top_people(top_number, data, first_field, second_field, search_word):
+    return data[data[first_field].str.lower().str.contains(search_word[:-2])][second_field].str.lower().value_counts() \
+        .head(top_number)
+
+
+works = pd.read_csv("works.csv").dropna()
+
+does_not_match_count = does_not_match("jobTitle", "qualification", works)
+print(f"Из {works.shape[0]} людей должность и профессия не совпадают у {does_not_match_count}.\n")
+
+print("Топ-5 образований людей, которые работают менеджерами:")
+print(top_people(5, works, "jobTitle", "qualification", "менеджер"), "\n")
+
+print("Топ-5 должностей людей, которые по диплому являются инженерами")
+print(top_people(5, works, "qualification", "jobTitle", "инженер"), "\n")