Adam Gregosiewicz
Adam Gregosiewicz

Zaawansowane metody analizy i eksploracji danych | I2S | semestr letni 2025/2026

Laboratorium 1 — Wprowadzenie do NumPy i pandas.

1. COVID-19

Wykorzystując dane Our World in Data (OWID), przeprowadź analizę zachorowań na COVID-19.

Wczytaj z pliku dane dotyczące roku 2021. Wykorzystaj kolumny iso_code, location, date, new_cases, population. Przygotuj DataFrame z następującymi kolumnami dotyczącymi każdego kraju osobno:

  • peak_incidence_7d_1M – Maksymalna wartość (pik) średniej ruchomej liczby nowych przypadków (new_cases) z 7 dni na 1 milion mieszkańców (population). Jeżeli w oknie 7 dni występuje chociaż jeden brak danych, to przyjmujemy, że średnia ma wartość NaN.
  • peak_date – Data wystąpienia piku (jeśli pik występuje w wielu dniach, wybierz najwcześniejszy).
  • median_incidence_7d_1M – Mediana 7-dniowej zachorowalności (ignorujemy braki).
  • sharpness – Ostrość fali zachorowań, to znaczy peak_incidence_7d_1M / median_incidence_7d_1M.

Następnie wypisz:

  • top 15 krajów z największym peak_incidence_7d_1M posortowanych malejąco,
  • top 10 krajów z największym sharpness posortowanych malejąco.

2. Ruch lotniczy

Wykorzystując dane z biblioteki vega_datasets, przeprowadź analizę ruchu lotniczego w USA.

Wczytaj dane dotyczące lotnisk i tras:

1
2
3
4

from vega_datasets import data

airports = data.airports().copy()
routes = data.flights_airport().copy()

Utwórz DataFrame będący połączeniem routes i airports z kolumnami:

  • origin – identyfikator lotniska początkowego,
  • origin_name – nazwa lotniska początkowego,
  • origin_city – miasto lotniska początkowego,
  • origin_lat – szerokość geograficzna lotniska początkowego,
  • origin_lon – długość geograficzna lotniska początkowego,
  • destination – j.w. dla lotniska docelowego,
  • destination_name,
  • destination_city,
  • destination_lat,
  • destination_lon,
  • count – liczba lotów na danej trasie,
  • distance_km – długość trasy (wykorzystaj wzór na odległość po powierzchni kuli),
  • total_km – łączna liczba kilometrów pokonanych przez samoloty na tej trasie.

Następnie:

  • do ramki airports dodaj kolumnę total_count będącą łączną liczbą lotów wychodzących dla poszczególnych lotnisk,
  • wypisz top 10 lotnisk względem total_count posortowaną malejąco,
  • wypisz top 10 połączeń z największym total_km posortowaną malejąco,
  • wypisz top 10 lotnisk startowych (origin) o największym udziale lotów krótkodystansowych (co najwyżej 500 km) w całym ruchu wychodzącym, rozpatrując tylko lotniska, dla których total_count jest większy od 80 percentyla rozkładu total_count dla wszystkich lotnisk startowych.

3. Igrzyska

Wykorzystując dane o igrzyskach olimpijskich, znajdź kraje zdobywające więcej medali niż wynikałoby to z liczby reprezentantów.

Ogranicz dane do igrzysk letnich w latach 2000–2016. Wykorzystaj kolumny id, noc, year, season, sport, event, medal.

Dla każdej edycji igrzysk i sportu policz globalną ,,stopę medalową’':

  • rate_sport, równą total_medals_event_sport / total_athletes_sport, gdzie total_* to odpowiednio suma medali i liczba wszystkich sportowców w danej edycji i sporcie.

Dla każdego kraju w danej edycji policz:

  • athletes – liczba unikalnych zawodników,
  • athletes_sport – liczba unikalnych zawodników w danym sporcie,
  • medals_event – liczba medali, tj. liczba unikalnych krotek (year, season, medal, noc),
  • medals_event_sport – liczba medali w danym sporcie,
  • expected_medals – oczekiwana liczba medali po uwzględnieniu stopy medalowe, tj. sum_sport(rate_sport * athletes_sport)
  • ratio – stosunek liczby zdobytych medali do oczekiwanej liczby medali (jeśli expected_medals <= 0, to przypisz NaN),
  • residual – różnica między zdobytymi a oczekiwanymi medalami.

Wynikiem ma być DataFrame z kolumnami: year, season, noc, athletes, medals_event, expected_medals, ratio, residual.

Wypisz:

  • dla każdej edycji igrzysk: top 5 krajów wg ratio (malejąco), rozpatrując tylko kraje z athletes >= 50 oraz expected_medals >= 1,
  • top 10 najbardziej konsekwentnych liderów ratio: dla każdego noc policz medianę ratio po edycjach (wymagaj udziału we wszystkich 5 edycjach),
  • dla 10 najbardziej konsekwentnych liderów ratio ich dominującą dyscyplinę: udział medali z jednego najbardziej medalowego sportu, czyli stosunek liczby wszystkich medali w sporcie o największej liczbie medali do liczby wszystkich medali (medale liczymy po wszystkich rozważanych edycjach).