AIM-PIbd-32-Petrushin-E-A/lab_1/lab1.ipynb

Выгрузка в датафрейм¶

In [1]:

import pandas as pn
import matplotlib.pyplot as plt
import matplotlib
import matplotlib.ticker as ticker
df = pn.read_csv(".//static//csv//car_price_prediction.csv").head(15000)
print(df.columns)

Index(['ID', 'Price', 'Levy', 'Manufacturer', 'Model', 'Prod. year',
       'Category', 'Leather interior', 'Fuel type', 'Engine volume', 'Mileage',
       'Cylinders', 'Gear box type', 'Drive wheels', 'Doors', 'Wheel', 'Color',
       'Airbags'],
      dtype='object')

По диаграмме видно, что большинство авто были выпущены последние 20 лет

In [8]:

# Диаграмма рассеяния: Цена vs Год выпуска
plt.figure(figsize=(10, 6))
df.plot.scatter(x='Prod. year', y='Price', alpha=0.5)
plt.title('Зависимость цены автомобиля от года выпуска')
plt.xlabel('Год выпуска')
plt.ylabel('Цена')
plt.grid(True)
plt.show()

<Figure size 1000x600 with 0 Axes>

Большая чать машин дешевле 50000

In [30]:

plt.figure(figsize=(10, 6))
df['Price'].plot.hist(bins=100, edgecolor='black')
plt.title('Распределение цен на автомобили')
plt.xlabel('Цена')
plt.ylabel('Количество автомобилей')
plt.grid(True)


# Увеличение количества делений на оси X
plt.xticks(rotation=20)  

plt.show()

На данном срезе авто марки "Хёндай" в среднем самые дорогие.

In [31]:

# Срез данных: с 1-й по 30-ю строку
df_slice = df.iloc[:30]

# Группировка по производителю и расчет средней цены
avg_price_by_manufacturer = df_slice.groupby('Manufacturer')['Price'].mean().sort_values(ascending=False)

# Столбчатая диаграмма: Средняя цена по производителям
plt.figure(figsize=(12, 8))
avg_price_by_manufacturer.plot(kind='bar', color='salmon')
plt.title('Средняя цена автомобилей по производителям (с 1-й по 30-ю строку)')
plt.xlabel('Производитель')
plt.ylabel('Средняя цена')
plt.grid(True)
plt.show()