chore(i18n,learn): processed translations (#45504)
This commit is contained in:
@ -8,13 +8,58 @@ dashedName: demographic-data-analyzer
|
||||
|
||||
# --description--
|
||||
|
||||
在這個挑戰中,你必須使用 Pandas 對人口統計進行分析。 你將獲得從 1994 年人口普查數據庫中提取的人口統計數據數據集。
|
||||
你將通過使用我們的[Replit 入門代碼](https://replit.com/github/freeCodeCamp/boilerplate-demographic-data-analyzer)來完成本項目。
|
||||
|
||||
你可以[在 Replit 上查看整個項目的具體描述和初始代碼](https://replit.com/github/freeCodeCamp/boilerplate-demographic-data-analyzer)。
|
||||
我們仍在開發 Python 課程的交互式教學部分。 目前,你可以在 YouTube 上通過 freeCodeCamp.org 上傳的一些視頻學習這個項目相關的知識。
|
||||
|
||||
點擊此鏈接,fork 這個項目。 一旦你根據 “README.md” 中的說明完成項目,請提交你的項目鏈接到下面。
|
||||
- [Python for Everybody 視頻課程](https://www.freecodecamp.org/news/python-for-everybody/)(14 小時)
|
||||
- [Learn Python 視頻課程](https://www.freecodecamp.org/news/learn-python-video-course/)(10 小時)
|
||||
|
||||
我們仍在開發 Python 數據分析課程的交互式教學。 現在,你需要使用其他資源來學習如何通過這一挑戰。
|
||||
# --instructions--
|
||||
|
||||
在這個挑戰中,你必須使用 Pandas 對人口統計進行分析。 你將獲得從 1994 年人口普查數據庫中提取的人口統計數據數據集。 以下是數據的示例:
|
||||
|
||||
```markdown
|
||||
| | age | workclass | fnlwgt | education | education-num | marital-status | occupation | relationship | race | sex | capital-gain | capital-loss | hours-per-week | native-country | salary |
|
||||
|---:|------:|:-----------------|---------:|:------------|----------------:|:-------------------|:------------------|:---------------|:-------|:-------|---------------:|---------------:|-----------------:|:-----------------|:---------|
|
||||
| 0 | 39 | State-gov | 77516 | Bachelors | 13 | Never-married | Adm-clerical | Not-in-family | White | Male | 2174 | 0 | 40 | United-States | <=50K |
|
||||
| 1 | 50 | Self-emp-not-inc | 83311 | Bachelors | 13 | Married-civ-spouse | Exec-managerial | Husband | White | Male | 0 | 0 | 13 | United-States | <=50K |
|
||||
| 2 | 38 | Private | 215646 | HS-grad | 9 | Divorced | Handlers-cleaners | Not-in-family | White | Male | 0 | 0 | 40 | United-States | <=50K |
|
||||
| 3 | 53 | Private | 234721 | 11th | 7 | Married-civ-spouse | Handlers-cleaners | Husband | Black | Male | 0 | 0 | 40 | United-States | <=50K |
|
||||
| 4 | 28 | Private | 338409 | Bachelors | 13 | Married-civ-spouse | Prof-specialty | Wife | Black | Female | 0 | 0 | 40 | Cuba | <=50K |
|
||||
```
|
||||
|
||||
你必須使用 Pandas 來回答以下問題:
|
||||
|
||||
- 這個數據集中每個種族有多少人? 這應該是一個以種族名稱作爲索引標籤的 Pandas 系列。 (`race` 欄)
|
||||
- 男性的平均年齡是多少?
|
||||
- 擁有學士學位的人的百分比是多少?
|
||||
- 受過高等教育(`Bachelors`, `Masters`, or `Doctorate`)收入超過 50K 的人佔多大比例?
|
||||
- 沒有受過高等教育的人的收入超過 50K 的比例是多少?
|
||||
- 一個人每週最少工作多少小時?
|
||||
- 每週工作最少小時數的人中有多少人的工資超過 50K?
|
||||
- 哪個國家/地區的收入 >50K 的人口比例最高,該比例是多少?
|
||||
- 確定印度收入 >50K 的人最受歡迎的職業。
|
||||
|
||||
使用文件 `demographic_data_analyzer` 中的啓動代碼。 更新代碼,以便將所有設置爲“None”的變量設置爲適當的計算或代碼。 將所有小數四捨五入到最接近的十分之一。
|
||||
|
||||
單元測試是在 `test_module.py` 下爲你編寫的。
|
||||
|
||||
## 開發
|
||||
|
||||
對於開發,你可以使用 `main.py` 來測試你的函數。 單擊“運行”按鈕,`main.py` 將運行。
|
||||
|
||||
## 測試
|
||||
|
||||
爲了你的方便,我們將測試從 `test_module.py` 導入到 `main.py`。 只要你點擊“運行”按鈕,測試就會自動運行。
|
||||
|
||||
## 提交
|
||||
|
||||
複製項目的 URL 並將其提交給 freeCodeCamp。
|
||||
|
||||
## 數據集源
|
||||
|
||||
Dua, D. and Graff, C. (2019). [UCI Machine Learning Repository](http://archive.ics.uci.edu/ml). Irvine, CA: University of California, School of Information and Computer Science.
|
||||
|
||||
# --hints--
|
||||
|
||||
|
@ -8,13 +8,60 @@ dashedName: mean-variance-standard-deviation-calculator
|
||||
|
||||
# --description--
|
||||
|
||||
創建一個函數,這個函數可以使用 Numpy 輸出 3 x 3 矩陣的每一行、每一列和所有元素的均值,方差和標準差。
|
||||
你將通過使用我們的[Replit 入門代碼](https://replit.com/github/freeCodeCamp/boilerplate-mean-variance-standard-deviation-calculator)來完成本項目。
|
||||
|
||||
你可以在 [Replit](https://replit.com/github/freeCodeCamp/boilerplate-mean-variance-standard-deviation-calculator) 上查看整個項目的具體描述和初始代碼。
|
||||
我們仍在開發 Python 課程的交互式教學部分。 目前,你可以在 YouTube 上通過 freeCodeCamp.org 上傳的一些視頻學習這個項目相關的知識。
|
||||
|
||||
點擊此鏈接,fork 這個項目。 當你根據 “README.md” 中的說明完成了項目,請在下方提交你的項目鏈接。
|
||||
- [Python for Everybody 視頻課程](https://www.freecodecamp.org/news/python-for-everybody/)(14 小時)
|
||||
- [Learn Python 視頻課程](https://www.freecodecamp.org/news/learn-python-video-course/)(10 小時)
|
||||
|
||||
我們仍在開發 Python 數據分析課程的交互式教學。 現在,您將需要使用其他資源來學習如何通過這一挑戰。
|
||||
# --instructions--
|
||||
|
||||
在 `mean_var_std.py` 中創建一個名爲 `calculate()` 的函數,該函數使用 Numpy 輸出行、列、和 3 x 3 矩陣中的元素。
|
||||
|
||||
函數的輸入應該是一個包含 9 個數字的列表。 該函數應將列表轉換爲 3 x 3 Numpy 數組,然後返回一個字典,其中包含沿兩個軸和展平矩陣的均值、方差、標準差、最大值、最小值和總和。
|
||||
|
||||
返回的字典應遵循以下格式:
|
||||
|
||||
```py
|
||||
{
|
||||
'mean': [axis1, axis2, flattened],
|
||||
'variance': [axis1, axis2, flattened],
|
||||
'standard deviation': [axis1, axis2, flattened],
|
||||
'max': [axis1, axis2, flattened],
|
||||
'min': [axis1, axis2, flattened],
|
||||
'sum': [axis1, axis2, flattened]
|
||||
}
|
||||
```
|
||||
|
||||
如果將包含少於 9 個元素的列表傳遞給函數,它應該引發 `ValueError` 異常並顯示消息:“List must contain nine numbers.” 返回的字典中的值應該是列表而不是 Numpy 數組。
|
||||
|
||||
例如,`calculate([0,1,2,3,4,5,6,7,8])` 應該返回:
|
||||
|
||||
```py
|
||||
{
|
||||
'mean': [[3.0, 4.0, 5.0], [1.0, 4.0, 7.0], 4.0],
|
||||
'variance': [[6.0, 6.0, 6.0], [0.6666666666666666, 0.6666666666666666, 0.6666666666666666], 6.666666666666667],
|
||||
'standard deviation': [[2.449489742783178, 2.449489742783178, 2.449489742783178], [0.816496580927726, 0.816496580927726, 0.816496580927726], 2.581988897471611],
|
||||
'max': [[6, 7, 8], [2, 5, 8], 8],
|
||||
'min': [[0, 1, 2], [0, 3, 6], 0],
|
||||
'sum': [[9, 12, 15], [3, 12, 21], 36]
|
||||
}
|
||||
```
|
||||
|
||||
此項目的單元測試在 `test_module.py` 中。
|
||||
|
||||
## 開發
|
||||
|
||||
對於開發,你可以使用 `main.py` 來測試你的 `calculate()` 函數。 單擊“運行”按鈕,`main.py` 將運行。
|
||||
|
||||
## 測試
|
||||
|
||||
爲了你的方便,我們將測試從 `test_module.py` 導入到 `main.py`。 只要你點擊“運行”按鈕,測試就會自動運行。
|
||||
|
||||
## 提交
|
||||
|
||||
複製項目的 URL 並將其提交給 freeCodeCamp。
|
||||
|
||||
# --hints--
|
||||
|
||||
|
@ -8,13 +8,70 @@ dashedName: medical-data-visualizer
|
||||
|
||||
# --description--
|
||||
|
||||
在這個項目中,你將要使用 matplotlib,seaborn 和 pandas 來對健康檢查數據進行數據可視化和計算。
|
||||
你將通過使用我們的[Replit 入門代碼](https://replit.com/github/freeCodeCamp/boilerplate-medical-data-visualizer)來完成本項目。
|
||||
|
||||
你可以[在 Replit 上查看整個項目的具體描述和初始代碼](https://replit.com/github/freeCodeCamp/boilerplate-medical-data-visualizer)。
|
||||
我們仍在開發 Python 課程的交互式教學部分。 目前,你可以在 YouTube 上通過 freeCodeCamp.org 上傳的一些視頻學習這個項目相關的知識。
|
||||
|
||||
打開此鏈接後,fork 這個項目。 一旦你根據 “README.md” 中的說明完成項目,請提交你的項目到下面的鏈接。
|
||||
- [Python for Everybody 視頻課程](https://www.freecodecamp.org/news/python-for-everybody/)(14 小時)
|
||||
- [Learn Python 視頻課程](https://www.freecodecamp.org/news/learn-python-video-course/)(10 小時)
|
||||
|
||||
我們仍在開發 Python 數據分析課程的交互式課程部分。 現在,你需要使用其他資源來學習如何通過這一挑戰。
|
||||
# --instructions--
|
||||
|
||||
在本項目中,您將使用 matplotlib、seaborn 和 pandas 來對體檢數據進行可視化和計算。 數據集的數值是從體檢中收集的。
|
||||
|
||||
## 數據說明
|
||||
|
||||
數據集中的行代表患者,列代表身體測量、各種血液檢查的結果和生活方式等信息。 您將使用該數據集來探索心臟病、身體測量數據、血液標誌物和對生活方式的選擇之間的關係。
|
||||
|
||||
文件名:medical_examination.csv
|
||||
|
||||
| 項目 | 變量類型 | 變量名 | 變量值類型 |
|
||||
|:--------:|:----:|:-----------:|:---------------------:|
|
||||
| 年齡 | 客觀特徵 | age | int (days) |
|
||||
| 身高 | 客觀特徵 | height | int (cm) |
|
||||
| 體重 | 客觀特徵 | weight | float (kg) |
|
||||
| 性別 | 客觀特徵 | gender | 分類編碼 |
|
||||
| 收縮壓 | 檢測特徵 | ap_hi | int |
|
||||
| 舒張壓 | 檢測特徵 | ap_lo | int |
|
||||
| 膽固醇 | 檢測特徵 | cholesterol | 1:正常,2:高於正常,3:遠遠高於正常值 |
|
||||
| 血糖值 | 檢測特徵 | gluc | 1:正常,2:高於正常,3:遠遠高於正常值 |
|
||||
| 吸菸問題 | 主觀特徵 | smoke | binary |
|
||||
| 飲酒量 | 主觀特徵 | alco | binary |
|
||||
| 體育活動 | 主觀特徵 | active | binary |
|
||||
| 是否有心血管疾病 | 目標變量 | cardio | binary |
|
||||
|
||||
## 任務
|
||||
|
||||
創建一個類似於 `examples/Figure_1.png` 的圖表,其中我們顯示 `cholesterol`、`gluc`、`alco`、`active` 和 `smoke` 變量,用於不同面板中 heart=1 和 heart=0 的患者。
|
||||
|
||||
在 `medical_data_visualizer.py` 中使用數據完成以下任務:
|
||||
|
||||
- 給數據添加一列 `overweight`。 要確定一個人是否超重,首先通過將他們的體重(公斤)除以他們的身高(米)的平方來計算他們的 BMI。 如果該值 > 25,則此人超重。 使用值 0 表示不超重,使用值 1 表示超重。
|
||||
- 使用 0 表示好的和 1 表示壞,來規範化數據。 如果 `cholesterol` 或 `gluc` 的值爲 1,則將值設爲 0。 如果值大於 1,則將值設爲 1。
|
||||
- 將數據轉換爲長格式並使用 seaborn 的 `catplot()` 創建一個顯示分類特徵值計數的圖表。 數據集應按“Cardio”拆分,因此每個 `cardio` 值都有一個圖表。 該圖表應該看起來像 `examples/Figure_1.png`。
|
||||
- 清理數據。 過濾掉以下代表不正確數據的患者段:
|
||||
- 舒張壓高於收縮壓(使用 `(df['ap_lo'] <= df['ap_hi'])` 保留正確的數據)
|
||||
- 高度小於第 2.5 個百分位數(使用 `(df['height'] >= df['height'].quantile(0.025))` 保留正確的數據)
|
||||
- 身高超過第 97.5 個百分位
|
||||
- 體重小於第 2.5 個百分位
|
||||
- 體重超過第 97.5 個百分位
|
||||
- 使用數據集創建相關矩陣。 使用 seaborn 的 `heatmap()` 繪製相關矩陣。 遮罩上三角。 該圖表應類似於 `examples/Figure_2.png`。
|
||||
|
||||
每當變量設置爲 `None` 時,請確保將其設置爲正確的代碼。
|
||||
|
||||
單元測試是在 `test_module.py` 下爲你編寫的。
|
||||
|
||||
## 開發
|
||||
|
||||
對於開發,你可以使用 `main.py` 來測試你的函數。 單擊“運行”按鈕,`main.py` 將運行。
|
||||
|
||||
## 測試
|
||||
|
||||
爲了你的方便,我們將測試從 `test_module.py` 導入到 `main.py`。 只要你點擊“運行”按鈕,測試就會自動運行。
|
||||
|
||||
## 提交
|
||||
|
||||
複製項目的 URL 並將其提交給 freeCodeCamp。
|
||||
|
||||
# --hints--
|
||||
|
||||
|
@ -8,13 +8,40 @@ dashedName: page-view-time-series-visualizer
|
||||
|
||||
# --description--
|
||||
|
||||
對於這個項目,你將使用線圖、條形圖和箱形圖對時間序列數據進行可視化。 你將要使用 Pandas、matplotlib 和 seaborn 來對數據集進行可視化,這個數據集包含從 2016-05-09 到 2019-12-03 每一天在 freeCodeCamp.org 論壇的頁面訪問量。 這個數據可視化將幫助你瞭解訪問的模式,並且顯示年增長和月增長情況。
|
||||
你將通過使用我們的[Replit 入門代碼](https://replit.com/github/freeCodeCamp/boilerplate-page-view-time-series-visualizer)來完成本項目。
|
||||
|
||||
你可以 [在 Replit 上查看整個項目的具體描述和初始代碼](https://replit.com/github/freeCodeCamp/boilerplate-page-view-time-series-visualizer)。
|
||||
我們仍在開發 Python 課程的交互式教學部分。 目前,你可以在 freeCodeCamp.org 的 YouTube 頻道中通過視頻學習到這個項目相關的所有知識
|
||||
|
||||
點擊此鏈接,fork 這個項目。 一旦你根據 “README.md” 中的說明完成項目,請提交你的項目到下面的鏈接。
|
||||
- [Python for Everybody 視頻課程](https://www.freecodecamp.org/news/python-for-everybody/)(14 小時)
|
||||
- [Learn Python 視頻課程](https://www.freecodecamp.org/news/learn-python-video-course/)(10 小時)
|
||||
|
||||
我們仍在開發 Python 數據分析課程的交互式課程部分。 現在,你將需要使用其他資源來學習如何通過這一挑戰。
|
||||
# --instructions--
|
||||
|
||||
對於這個項目,你將使用線圖、條形圖和箱形圖對時間序列數據進行可視化。 你將使用 Pandas、Matplotlib 和 Seaborn 可視化包含 2016 年 5 月 9 日至 2019 年 12 月 3 日期間 freeCodeCamp.org 論壇上每天的頁面瀏覽量的數據集。 這個數據可視化將幫助你瞭解訪問的模式,並且顯示年增長和月增長情況。
|
||||
|
||||
使用數據完成以下任務:
|
||||
|
||||
- 使用 Pandas 從 “fcc-forum-pageviews.csv” 導入數據。 將索引設置爲 “date” 列。
|
||||
- 通過過濾掉頁面瀏覽量位於數據集前 2.5% 或數據集後 2.5% 的日期來清理數據。
|
||||
- 創建一個 `draw_line_plot` 函數,該函數使用 Matplotlib 繪製類似於“examples/Figure_1.png”的折線圖。 標題應爲“Daily freeCodeCamp Forum Page Views 5/2016-12/2019”。 x 軸上的標籤應爲“Date”,y 軸上的標籤應爲“Page Views”。
|
||||
- 創建一個 `draw_bar_plot` 函數,用於繪製類似於“examples/Figure_2.png”的條形圖。 它應該顯示按年份分組的每個月的平均每日頁面瀏覽量。 圖例應顯示月份標籤並具有“Months”標題。 在圖表上,x 軸上的標籤應爲“Years”,y 軸上的標籤應爲“Average Page Views”。
|
||||
- 創建一個 `draw_box_plot` 函數,該函數使用 Seaborn 繪製兩個相鄰的箱形圖,類似於“examples/Figure_3.png”。 這些箱線圖應顯示值在給定年份或月份內的分佈情況以及隨時間推移的比較情況。 第一個圖表的標題應爲“Year-wise Box Plot (Trend)”,第二個圖表的標題應爲“Month-wise Box Plot (Seasonality)”。 確保底部的月份標籤從“Jan”開始,並且 x 和 x 軸標記正確。 樣板文件包括準備數據的命令。
|
||||
|
||||
對於每個圖表,請確保使用數據框的副本。 單元測試是在 `test_module.py` 下爲你編寫的。
|
||||
|
||||
樣板文件還包括保存和返回圖像的命令。
|
||||
|
||||
## 開發
|
||||
|
||||
對於開發,你可以使用 `main.py` 來測試你的函數。 單擊“運行”按鈕,`main.py` 將運行。
|
||||
|
||||
## 測試
|
||||
|
||||
爲了你的方便,我們將測試從 `test_module.py` 導入到 `main.py`。 只要你點擊“運行”按鈕,測試就會自動運行。
|
||||
|
||||
## 提交
|
||||
|
||||
複製項目的 URL 並將其提交給 freeCodeCamp。
|
||||
|
||||
# --hints--
|
||||
|
||||
|
@ -8,13 +8,44 @@ dashedName: sea-level-predictor
|
||||
|
||||
# --description--
|
||||
|
||||
在本項目中,您將分析自 1880 年以來全球平均海平面變化的數據集。 您將使用這些數據來預測到 2050 年的海平面變化。
|
||||
你將通過使用我們的[Replit 入門代碼](https://replit.com/github/freeCodeCamp/boilerplate-sea-level-predictor)來完成本項目。
|
||||
|
||||
你可以在 [Replit 上查看整個項目的具體描述和初始代碼](https://replit.com/github/freeCodeCamp/boilerplate-sea-level-predictor)。
|
||||
我們仍在開發 Python 課程的交互式教學部分。 目前,你可以在 YouTube 上通過 freeCodeCamp.org 上傳的一些視頻學習這個項目相關的知識。
|
||||
|
||||
打開此鏈接後,fork 這個項目。 一旦你根據 “README.md” 中的說明完成項目,請提交你的項目到下面的鏈接。
|
||||
- [Python for Everybody 視頻課程](https://www.freecodecamp.org/news/python-for-everybody/)(14 小時)
|
||||
- [Learn Python 視頻課程](https://www.freecodecamp.org/news/learn-python-video-course/)(10 小時)
|
||||
|
||||
# --instructions--
|
||||
|
||||
你將分析自 1880 年以來全球平均海平面變化的數據集。 你將使用這些數據來預測到 2050 年的海平面變化。
|
||||
|
||||
使用數據完成以下任務:
|
||||
|
||||
- 使用 Pandas 從 `epa-sea-level.csv` 導入數據。
|
||||
- 使用 matplotlib 創建散點圖,使用“Year”列作爲 x 軸,將“CSIRO Adjusted Sea Level”列作爲 y 軸。
|
||||
- 使用 `scipy.stats` 中的 `linregress` 函數來獲得最佳擬合線的斜率和 y 截距。 在散點圖的頂部繪製最佳擬合線。 使線穿過 2050 年以預測 2050 年的海平面上升。
|
||||
- 僅使用數據集中從 2000 年到最近一年的數據繪製一條新的最佳擬合線。 如果上升速度繼續與 2000 年一樣,則使該線也經過 2050 年以預測 2050 年的海平面上升。
|
||||
- x 標籤應爲 “Year”,y 標籤應爲 “Sea Level (inches)”,標題應爲 “Rise in Sea Level”。
|
||||
|
||||
單元測試是在 `test_module.py` 下爲你編寫的。
|
||||
|
||||
樣板文件還包括保存和返回圖像的命令。
|
||||
|
||||
## 開發
|
||||
|
||||
對於開發,你可以使用 `main.py` 來測試你的函數。 單擊“運行”按鈕,`main.py` 將運行。
|
||||
|
||||
## 測試
|
||||
|
||||
爲了你的方便,我們將測試從 `test_module.py` 導入到 `main.py`。 只要你點擊“運行”按鈕,測試就會自動運行。
|
||||
|
||||
## 提交
|
||||
|
||||
複製項目的 URL 並將其提交給 freeCodeCamp。
|
||||
|
||||
## 數據源
|
||||
[Global Average Absolute Sea Level Change](https://datahub.io/core/sea-level-rise), 1880-2014 from the US Environmental Protection Agency using data from CSIRO, 2015; NOAA, 2015.
|
||||
|
||||
我們仍在開發 Python 數據分析課程的交互式課程部分。 現在,你需要使用其他資源來學習如何通過這一挑戰。
|
||||
|
||||
# --hints--
|
||||
|
||||
|
Reference in New Issue
Block a user