Александр Соболев АТ-19

HomeWork.py

@@ -0,0 +1,31 @@
+import pandas as pd
+
+
+def count_not_match_fields(field1, field2, data):
+    res_count = 0
+    for (f1, f2) in zip(data[field1], data[field2]):
+        if not is_match(f1, f2) and not is_match(f2, f1):
+            res_count += 1
+    return res_count
+
+
+def get_top(size, data, searched, returned, search_str):
+    return data[data[searched].str.lower().str.contains(search_str[:-2])][returned].str.lower().value_counts().head(size)
+
+
+def is_match(field1, field2):
+    for word in field1.lower().replace('-', ' ').split():
+        if word in field2.lower():
+            return True
+    return False
+
+
+works = pd.read_csv("works.csv").dropna()
+count_not_match = count_not_match_fields("jobTitle", "qualification", works)
+print(f"Из {works.shape[0]} людей не совпадают профессия и должность у {count_not_match}")
+
+print("\nТоп образований людей, которые работают менеджерами")
+print(get_top(5, works, "jobTitle", "qualification", "менеджер"))
+
+print("\nТоп должностей людей, которые по диплому являются инженерами")
+print(get_top(5, works, "qualification", "jobTitle", "инженер"))

Result.md

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

lec.py

@@ -0,0 +1,39 @@
+import numpy as np
+import pandas as pd
+import matplotlib as plt
+
+# 1 task
+print(works.info())
+print(works.shape[0])
+print(len(works.index))
+
+# 2 task
+print(works[works["gender"] == "Мужской"].shape[0])
+print((works["gender"] == "Женский").sum())
+print(works["gender"].value_counts())
+
+# 3 task
+print(works["skills"].notnull().sum())
+print(works.info())
+print(works["skills"].count())
+print(works[works["skills"].notnull()]["skills"])
+print(works['skills'].dropna())
+print(works.query("skills == skills")["skills"])
+print(works.query('salary == 15000'))
+
+# 4 task
+edu = 'Высшее'
+gen = 'Мужской'
+print(works.query("educationType == @edu and gender == @gen")[['salary', "educationType", "gender"]])
+
+# 5 task
+mask = works["skills"].str.lower().str.contains("python|питон") & works["skills"].notnull()
+print(works[mask]["salary"])
+
+# 6 task
+works = pd.read_csv("./works.csv")
+person = np.linspace(.1, 1, 10)
+men = works.query('gender == "Мужской"').quantile(person)
+women = works.query('gender == "Женский"').quantile(person)
+print(men)
+print(women)