سرفصل‌ها درس 210 از 250 · پروژه‌ها: ساخت چیزهای واقعی
پروژه‌ها: ساخت چیزهای واقعی

پروژه: بررسی یک مجموعه داده

شما پانداس را یاد گرفته‌اید. اکنون آن را همان‌طور که یک تحلیل‌گر استفاده می‌کند به‌کار ببرید: یک جدول دریافت کنید، از آن سؤال بپرسید و پاسخ را نمودار کنید. Starter برای شما یک گزارش مخارج ۹۰ روزه واقع‌گرایانه می‌سازد (ستون‌ها date, category, amount, merchant). این با random.seed(0)، تا همه دقیقاً اعداد یکسانی دریافت کنند و پاسخ‌های شما قابل بررسی باشند.

کار شما تحلیل است. سه تابع بنویسید، سپس یک نمودار رسم کنید.

  • monthly_totals(df) -> یک dict مانند {"2026-01": 3499.72, ...}: مجموع هزینه در هر ماه تقویمی، گرد شده به دو رقم اعشار. از تاریخ با pd.to_datetime(df["date"]).dt.strftime("%Y-%m")، سپس df.groupby(that)["amount"].sum() و .round(2).to_dict().
  • top_merchants(df, n) -> n فروشنده‌ای که بیشترین هزینه را در آن‌ها کرده‌اید، از بالاترین به پایین‌ترین، به صورت فهرستی از نام‌ها. گروه‌بندی بر اساس merchant، جمع amount، مرتب‌سازی نزولی، و برداشتن برچسب‌های شاخص n برتر.
  • weekend_vs_weekday_avg(df) -> {"weekend": ..., "weekday": ...}: میانگین تراکنش در شنبه/یکشنبه در مقابل بقیهٔ هفته. روز هفته را با .dt.dayofweek (شنبه ۵ و یکشنبه ۶ است) و میانگین هر گروه را محاسبه کنید.

سپس نمودار میله‌ای از مجموع‌های ماهانه بسازید:

fig, ax = plt.subplots()
ax.bar(list(totals.keys()), list(totals.values()))
ax.set_title("Spending by month")

فراخوانی نکنید plt.show() - محیط sandbox نمودار را برای شما رسم می‌کند. دکمه Run را فشار دهید تا یافته‌های خود را چاپ کنید و نمودار را ببینید. از آنجایی که داده‌ها از پیش تعیین شده‌اند، شلوغ‌ترین ماه و برترین فروشنده برای همه یکسان است، و دقیقاً به همین دلیل است که نمره‌دهنده می‌تواند کار شما را بررسی کند.

نوبت شما

با استفاده از مخزن هزینه‌های ۹۰ ردیفی df ساختار اولیه را می‌سازد، بنویسید monthly_totals(df) (a {"YYYY-MM": total} dict گرد شده به 2dp)، top_merchants(df, n) (n تا از بازرگانان با بیشترین هزینه، با اولویت بیشترین)، و weekend_vs_weekday_avg(df) ({"weekend", "weekday"} میانگین مقادیر، شنبه/یکشنبه در مقابل بقیه). سپس نمودار میله‌ای از مجموع ماهانه را با fig, ax = plt.subplots() و ax.bar(...) (بدون plt.show()).

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.