Løsningsforslag: Oppgaver fra 15. januar

22. januar 2024

Fra forrige gang

• Innlesing av data

• Plotting

Oppgavetekst

a) Last ned filen “bestsellers with categories.xls” her, og les den inn med pandas.

b) Behandling av data:

• Datasettet har noen bøker med flere ganger. Fjern duplikatene med .drop_duplicates("Name")

• Fjern navnet på boken og forfatteren fra dataen

• Fjern alle bøker med mindre enn 1000 anmeldelser

c) Plot

• Gjennomsnittlig anmeldelsesskårer for fiksjon og sakprosa

• Gjennomsnittlig anmeldelsesskårer for hvert utgivelsesår.

• Antall bøker for hver score

• Antall anmeldelser for hver score

d) Hvor mange fiksjonsbøker fra 2017 fikk en score bedre enn 4.6?

a) Laste ned fila

Dette kan dere gjøre på forskjellige måter, men pass på at filen ender opp på et fornuftig sted. Senere i dag skal vi se på hvilken mappestruktur vi bør ha, og hvor vi som standard bør legge slike filer. Jeg har lagt den i en mappe som jeg kaller “data”, i samme mappe som jeg legger notebook’en min. Uansett: Først laster vi ned fila, så leser vi den inn.

b) Rydde i data

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# Les inn fila 
df = pd.read_csv("../../data/bestsellers_with_categories.csv")

# Drop duplicates (B1)
# Merk at denne operasjonen ikke endrer på dataframet selv, så vi må ta imot returvariabelen fra operasjonen
df_no_duplicates = df.drop_duplicates("Name")

# Fjerne bok og forfatter (B2)
df_dropped = df_no_duplicates.drop(columns=["Name", "Author"])

# Fjerne alle med mindre enn 1000 anmeldelser (B3)
more_than_1000_ind = df_dropped["Reviews"]>1000
df_more_than_1000 = df_dropped[more_than_1000_ind]

c) Plotte

#Altså, dette kan vi gjøre på flere måter, men dette fungerer jo, og er nok den beste måten.. 
# Vise denne operasjonen punktum for punktum innover i kommandoen..
import matplotlib.pyplot as plt
df_more_than_1000.groupby("Genre")["User Rating"].mean().plot.bar()
plt.figure()
df_more_than_1000.groupby("Year")["User Rating"].mean().plot.bar()

<Axes: xlabel='Year'>

import matplotlib.pyplot as plt 

# Hvor mange bøker har de og de skårene? 
df_more_than_1000.groupby("User Rating")["Reviews"].count().plot.bar()

# Hvor mange reviews pleier bøkene på en gitt skår å ha?
plt.figure()
df_more_than_1000.groupby("User Rating")["Reviews"].mean().plot.bar()

# Alternativt, hvor mange reviews har alle bøkene på en gitt skår til sammen? 
plt.figure()
df_more_than_1000.groupby("User Rating")["Reviews"].sum().plot.bar()

<Axes: xlabel='User Rating'>

selection_df_2017 = df_more_than_1000[df_more_than_1000["Year"] == 2017]
selection_df_2017[selection_df_2017["User Rating"] >= 4.6].count()

User Rating    20
Reviews        20
Price          20
Year           20
Genre          20
dtype: int64

Svaret er 20