chore(i18n,learn): processed translations (#44936)
This commit is contained in:
@ -8,13 +8,58 @@ dashedName: demographic-data-analyzer
|
||||
|
||||
# --description--
|
||||
|
||||
In questa sfida è necessario analizzare i dati demografici utilizzando Pandas. Ti viene fornito un insieme di dati demografici estratti dalla banca dati del Census del 1994.
|
||||
Lavorerari a [questo progetto con il nostro codice iniziale su Replit](https://replit.com/github/freeCodeCamp/boilerplate-demographic-data-analyzer).
|
||||
|
||||
Puoi accedere [alla descrizione completa del progetto e al codice iniziale su Replit](https://replit.com/github/freeCodeCamp/boilerplate-demographic-data-analyzer).
|
||||
Stiamo ancora sviluppando la parte didattica interattiva del curriculum di Python. Per ora, ecco alcuni video sul canale YouTube di freeCodeCamp.org che ti insegneranno tutto quello che devi sapere per completare questo progetto:
|
||||
|
||||
Dopo essere andato a quel collegamento, fai un fork del progetto. Una volta completato il progetto in base alle istruzioni riportate in 'README.md', invia il link del progetto qui sotto.
|
||||
- [Video corso Python for Everybody](https://www.freecodecamp.org/news/python-for-everybody/) (14 ore)
|
||||
- [Video corso Learn Python](https://www.freecodecamp.org/news/learn-python-video-course/) (10 ore)
|
||||
|
||||
Stiamo ancora sviluppando la parte didattica interattiva del curriculum di analisi dei dati con Python. Per ora, dovrai utilizzare altre risorse per imparare a superare questa sfida.
|
||||
# --instructions--
|
||||
|
||||
In questa sfida è necessario analizzare i dati demografici utilizzando Pandas. Ti viene fornito un insieme di dati demografici estratti dalla banca dati del Census del 1994. Ecco un esempio di come appaiono i dati:
|
||||
|
||||
```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 |
|
||||
```
|
||||
|
||||
È necessario utilizzare Pandas per rispondere alle seguenti domande:
|
||||
|
||||
- Quante persone di ogni razza sono rappresentate in questo set di dati? Questa dovrebbe essere una serie di Pandas con nomi delle razze come etichette indice. (colonna `race`)
|
||||
- Qual è l'età media degli uomini?
|
||||
- Qual è la percentuale di persone che hanno una laurea triennale?
|
||||
- Quale percentuale di persone con istruzione avanzata (`Bachelors`, `Masters`, o `Doctorate`) guadagnano più di 50K?
|
||||
- Quale percentuale di persone prive di istruzione avanzata guadagna più di 50K?
|
||||
- Qual è il numero minimo di ore lavorative a settimana?
|
||||
- Quale percentuale delle persone che lavorano il numero minimo di ore settimanali ha uno stipendio superiore a 50K?
|
||||
- Quale paese ha la più alta percentuale di persone che guadagnano >50K e qual è quella percentuale?
|
||||
- Identifica l'occupazione più popolare per chi guadagna >50K in India.
|
||||
|
||||
Utilizza il codice iniziale nel file `demographic_data_analyzer`. Aggiorna il codice in modo che tutte le variabili impostate su "None" siano impostate al calcolo o al codice appropriato. Arrotonda tutti i decimali al decimo (una cifra decimale) più vicino.
|
||||
|
||||
I test unitari sono scritti per te in `test_module.py`.
|
||||
|
||||
## Sviluppo
|
||||
|
||||
Nello sviluppo, puoi usare `main.py` per testare le tue funzioni. Fai clic sul pulsante "Run" e `main.py` verrà eseguito.
|
||||
|
||||
## Test
|
||||
|
||||
Abbiamo importato i test da `test_module.py` in `main.py` per tua convenienza. I test saranno eseguiti automaticamente quando usi il bottone "run".
|
||||
|
||||
## Invio
|
||||
|
||||
Copia l'URL del tuo progetto e consegnalo nell'input qua sotto.
|
||||
|
||||
## Fonte Dataset
|
||||
|
||||
Dua, D. e 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--
|
||||
|
||||
Crea una funzione che usa Numpy per calcolare la media, varianza e deviazione standard delle righe, colonne ed elementi in una matrice 3 x 3.
|
||||
Lavorerari a [questo progetto con il nostro codice iniziale su Replit](https://replit.com/github/freeCodeCamp/boilerplate-mean-variance-standard-deviation-calculator).
|
||||
|
||||
Puoi accedere [alla descrizione completa del progetto e al codice iniziale su Replit](https://replit.com/github/freeCodeCamp/boilerplate-mean-variance-standard-deviation-calculator).
|
||||
Stiamo ancora sviluppando la parte didattica interattiva del curriculum di Python. Per ora, ecco alcuni video sul canale YouTube di freeCodeCamp.org che ti insegneranno tutto quello che devi sapere per completare questo progetto:
|
||||
|
||||
Dopo essere andato a quel collegamento, fai un fork del progetto. Una volta completato il progetto in base alle istruzioni riportate in 'README.md', invia il link del progetto qui sotto.
|
||||
- [Video corso Python for Everybody](https://www.freecodecamp.org/news/python-for-everybody/) (14 ore)
|
||||
- [Video corso Learn Python](https://www.freecodecamp.org/news/learn-python-video-course/) (10 ore)
|
||||
|
||||
Stiamo ancora sviluppando la parte didattica interattiva del curriculum di analisi dei dati con Python. Per ora, dovrai utilizzare altre risorse per imparare a superare questa sfida.
|
||||
# --instructions--
|
||||
|
||||
Crea una funzione denominata `calculate()` in `mean_var_std.py` che utilizza Numpy per calcolare la media, la varianza, la deviazione standard, il numero massimo, il numero minimo, e la somma delle righe, delle colonne e degli elementi in una matrice 3 x 3.
|
||||
|
||||
L'input della funzione dovrebbe essere una lista contenente 9 cifre. La funzione dovrebbe convertire la lista in un array Numpy 3 x 3, quindi restituire un dizionario contenente la media, varianza, deviazione standard, numero massimo, numero minimo, e somma su entrambi gli assi e per la matrice appiattita.
|
||||
|
||||
Il dizionario restituito dovrebbe seguire questo formato:
|
||||
|
||||
```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]
|
||||
}
|
||||
```
|
||||
|
||||
Se nella funzione viene passato un elenco contenente meno di 9 elementi, dovrebbe sollevare un'eccezione `ValueError` con il messaggio: "List must contain nine numbers." I valori nel dizionario restituito dovrebbero essere liste e non array Numpy.
|
||||
|
||||
Per esempio, `calculate([0,1,2,3,4,5,6,7,8])` dovrebbe restituire:
|
||||
|
||||
```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]
|
||||
}
|
||||
```
|
||||
|
||||
I test unitari per questo progetto sono in `test_module.py`.
|
||||
|
||||
## Sviluppo
|
||||
|
||||
Per lo sviluppo, puoi usare `main.py` per testare la tua funzione `calculate()`. Fai clic sul pulsante "Run" e `main.py` verrà eseguito.
|
||||
|
||||
## Test
|
||||
|
||||
Abbiamo importato i test da `test_module.py` in `main.py` per tua convenienza. I test saranno eseguiti automaticamente quando usi il bottone "run".
|
||||
|
||||
## Invio
|
||||
|
||||
Copia l'URL del tuo progetto e consegnalo nell'input qua sotto.
|
||||
|
||||
# --hints--
|
||||
|
||||
|
@ -8,13 +8,40 @@ dashedName: page-view-time-series-visualizer
|
||||
|
||||
# --description--
|
||||
|
||||
Per questo progetto visualizzerai i dati delle serie temporali usando un grafico a linea, un grafico a barre, e un diagramma a scatola e baffi. Userai Pandas, matplotlib, e seaborn per visualizzare il set dei dati contentente il numero di visualizzazioni di pagina di ogni giorno per il forum di freecodecamp.org dal 2016-05-09 al 2019-12-03. La visualizzazione dei dati ti aiuterà a riconoscerme schemi nelle visite e identificare crescita annuale e mensile.
|
||||
Lavorerari a [questo progetto con il nostro codice d'inizio su Replit](https://replit.com/github/freeCodeCamp/boilerplate-page-view-time-series-visualizer).
|
||||
|
||||
Puoi accedere [alla descrizione completa del progetto e al codice iniziale su Replit](https://replit.com/github/freeCodeCamp/boilerplate-page-view-time-series-visualizer).
|
||||
Stiamo ancora sviluppando la parte didattica interattiva del curriculum di Python. Per ora, ecco alcuni video sul canale YouTube di freeCodeCamp.org che ti insegneranno tutto quello che devi sapere per completare questo progetto:
|
||||
|
||||
Dopo essere andato a quel collegamento, fai un fork del progetto. Una volta completato il progetto in base alle istruzioni riportate in 'README.md', invia il link del progetto qui sotto.
|
||||
- [Python for Everybody Video Course](https://www.freecodecamp.org/news/python-for-everybody/) (14 ore)
|
||||
- [Video corso Learn Python](https://www.freecodecamp.org/news/learn-python-video-course/) (10 ore)
|
||||
|
||||
Stiamo ancora sviluppando la parte didattica interattiva del curriculum di analisi dei dati con Python. Per ora, dovrai utilizzare altre risorse per imparare a superare questa sfida.
|
||||
# --instructions--
|
||||
|
||||
Per questo progetto visualizzerai i dati delle serie temporali usando un grafico a linea, un grafico a barre, e un diagramma a scatola e baffi. Userai Pandas, Matplotlib, e Seaborn per visualizzare un set di dati contenente il numero di pagine viste ogni giorno sul forum di freeCodeCamp.org dal 2016-05-09 al 2019-12-03. La visualizzazione dei dati ti aiuterà a riconoscere schemi nelle visite e identificare crescita annuale e mensile.
|
||||
|
||||
Utilizza i dati per completare le seguenti attività:
|
||||
|
||||
- Utilizza Pandas per importare i dati da "fcc-forum-pageviews.csv". Imposta l'indice sulla colonna "date".
|
||||
- Pulisci i dati filtrando i giorni in cui le viste della pagina erano nel 2,5% superiore o nel 2,5% inferiore del set di dati.
|
||||
- Crea una funzione `draw_line_plot` che utilizza Matplotlib per disegnare un grafico a linee simile a "examples/Figure_1.png". Il titolo dovrebbe essere "Daily freeCodeCamp Forum Page Views 5/2016-12/2019". L'etichetta sull'asse x dovrebbe essere "Date" e l'etichetta sull'asse y dovrebbe essere "Page Views".
|
||||
- Crea una funzione `draw_bar_plot` che disegna un grafico a barre simile a "examples/Figure_2.png". Dovrebbe mostrare le visualizzazioni medie giornaliere delle pagine per ogni mese raggruppato per anno. La legenda dovrebbe mostrare le etichette mensili e avere un titolo di "Months". Sul grafico, l'etichetta sull'asse x dovrebbe essere "Years" e l'etichetta sull'asse y dovrebbe essere "Average Page Views".
|
||||
- Crea una funzione `draw_box_plot` che utilizza Searborn per disegnare due grafici adiacenti simili a "examples/Figure_3.png". Questi grafici a riquadro devono mostrare come i valori sono distribuiti entro un determinato anno o mese e come si confronta nel tempo. Il titolo del primo grafico dovrebbe essere "Year-wise Box Plot (Trend)" e il titolo del secondo grafico dovrebbe essere "Month-wise Box Plot (Seasonality)". Assicurati che le etichette mensili in basso inizino da "Jan" e che gli assi x e y siano etichettati correttamente. Il boilerplate include comandi per preparare i dati.
|
||||
|
||||
Per ogni grafico, assicurati di utilizzare una copia del frame di dati. I test unitari sono scritti per te in `test_module.py`.
|
||||
|
||||
Il boilerplate include anche comandi per salvare e restituire l'immagine.
|
||||
|
||||
## Sviluppo
|
||||
|
||||
Nello sviluppo, puoi usare `main.py` per testare le tue funzioni. Usa il bottone "run" e `main.py` sarà eseguito.
|
||||
|
||||
## Test
|
||||
|
||||
Abbiamo impotato i test da `test_module.py` in `main.py` per la tua convenienza. I test saranno eseguiti automaticamente quando usi il bottone "run".
|
||||
|
||||
## Invio
|
||||
|
||||
Copia l'URL del tuo progetto e consegnalo nell'input qua sotto.
|
||||
|
||||
# --hints--
|
||||
|
||||
|
@ -8,13 +8,44 @@ dashedName: sea-level-predictor
|
||||
|
||||
# --description--
|
||||
|
||||
In questo progetto, analizzerai un set di dati del cambiamento del livello medio globale del mare dal 1880. Userai i dati per predire il cambiamento del livello del mare fino all'anno 2050 incluso.
|
||||
Lavorerari a [questo progetto con il nostro codice d'inizio su Replit](https://replit.com/github/freeCodeCamp/boilerplate-sea-level-predictor).
|
||||
|
||||
Puoi accedere [alla descrizione completa del progetto e al codice iniziale su Replit](https://replit.com/github/freeCodeCamp/boilerplate-sea-level-predictor).
|
||||
Stiamo ancora sviluppando la parte didattica interattiva del curriculum di Python. Per ora, ecco alcuni video sul canale YouTube di freeCodeCamp.org che ti insegneranno tutto quello che devi sapere per completare questo progetto:
|
||||
|
||||
Dopo essere andato a quel collegamento, fai un fork del progetto. Una volta completato il progetto in base alle istruzioni riportate in 'README.md', invia il link del progetto qui sotto.
|
||||
- [Video corso Python for Everybody](https://www.freecodecamp.org/news/python-for-everybody/) (14 ore)
|
||||
- [Video corso Learn Python](https://www.freecodecamp.org/news/learn-python-video-course/) (10 ore)
|
||||
|
||||
# --instructions--
|
||||
|
||||
Analizzerai un set di dati del cambiamento globale medio del livello del mare dal 1880. Userai i dati per predire il cambiamento del livello del mare fino all'anno 2050 incluso.
|
||||
|
||||
Usa i dati per completare le seguenti attività:
|
||||
|
||||
- Usa Pandas per importare i dati da `epa-sea-level.csv`.
|
||||
- Usa matplotlib per creare un grafico a dispersione usando la colonna "Year" come asse x e la colonna "CSIRO Adjusted Sea Level" come asse y.
|
||||
- Usa la funzione `linregress` da `scipy.stats` per ottenere la pendenza e l'intercetta y della retta di regressione. Traccia la retta di regressione sopra la parte superiore del grafico a dispersione. Fai passare la linea attraverso l'anno 2050 per prevedere l'aumento del livello del mare nel 2050.
|
||||
- Traccia una nuova retta di regressione utilizzando i dati dall'anno 2000 all'anno più recente nel set di dati. Fai passare la linea anche per l'anno 2050 per prevedere quale sarà l'aumento del livello del mare nel 2050 se il tasso di crescita continuerà come ha fatto dal 2000 in poi.
|
||||
- L'etichetta x dovrebbe essere "Year", l'etichetta y dovrebbe essere "Sea Level (inches)", e il titolo dovrebbe essere "Rise in Sea Level".
|
||||
|
||||
I test unitari sono scritti per te in `test_module.py`.
|
||||
|
||||
Il boilerplate include anche comandi per salvare e restituire l'immagine.
|
||||
|
||||
## Sviluppo
|
||||
|
||||
Nello sviluppo, puoi usare `main.py` per testare le tue funzioni. Usa il bottone "run" e `main.py` sarà eseguito.
|
||||
|
||||
## Test
|
||||
|
||||
Abbiamo importato i test da `test_module.py` in `main.py` per tua convenienza. I test saranno eseguiti automaticamente quando usi il bottone "run".
|
||||
|
||||
## Invio
|
||||
|
||||
Copia l'URL del tuo progetto e consegnalo nell'input qua sotto.
|
||||
|
||||
## Sorgente Dati
|
||||
[Cambiamento medio assoluto globale del livello del mare](https://datahub.io/core/sea-level-rise), dal 1880 al 2014 da US Environmental Protection Agency usando i dati da CSIRO, 2015; NOAA, 2015.
|
||||
|
||||
Stiamo ancora sviluppando la parte didattica interattiva del curriculum di analisi dei dati con Python. Per ora, dovrai utilizzare altre risorse per imparare a superare questa sfida.
|
||||
|
||||
# --hints--
|
||||
|
||||
|
Reference in New Issue
Block a user