Usoro isiokwu a na-etinye aka na ọmụmụ ihe ọrụ ihe owuwu na isi obodo Silicon Valley - San Francisco. San Francisco bụ nkà na ụzụ "Moscow" nke ụwa anyị, na-eji ihe atụ ya (site n'enyemaka nke data mepere emepe) iji hụ mmepe nke ụlọ ọrụ mmepụta ihe na nnukwu obodo na isi obodo.
Emere ihe owuwu eserese na mgbako n'ime (na Kaggle.com ikpo okwu).
Data na ihe karịrị otu nde ikike ụlọ (ndekọ na abụọ datasets) si San Francisco Building Department - na-enye ohere nyochaa ọ bụghị naanị ọrụ owuwu n'ime obodo, ma tụleekwa nke ọma usoro kachasị ọhụrụ na akụkọ ihe mere eme nke mmepe nke ụlọ ọrụ ihe owuwu n'ime afọ 40 gara aga, n'etiti 1980 na 2019.
Mepee data na-eme ka o kwe omume inyocha isi ihe na-emetụta ma ga-emetụta mmepe nke ụlọ ọrụ ihe owuwu n'ime obodo, na-ekewa ha n'ime "mpụga" (akụnụba ụba na ọgba aghara) na "n'ime" (mmetụta nke ezumike na oge-afọ cycles).
Ihe
Mepee data na nyocha nke paramita ntọala.
Nke a abụghị ntụgharị asụsụ akụkọ. M na-ede na LinkedIn ka ị ghara ịmepụta eserese n'asụsụ dị iche iche, eserese niile dị na Bekee.
Njikọ na akụkụ nke abụọ:
Data ikike ụlọ obodo San Francisco - Site na Portal Data mepere emepe - . Portal ahụ nwere ọtụtụ datasets na isiokwu nke owuwu. Ihe abụọ dị otú ahụ na-echekwa ma na-emelite data na ikike enyere maka iwu ma ọ bụ ịrụzi ihe n'ime obodo:
- (ndekọ puku 850)
- (ndekọ puku 280, a na-ebudata ma na-emelite data kwa izu)
Ihe ndekọ data ndị a nwere ozi gbasara ikike iwu ụlọ enyere, nwere njirimara dị iche iche nke ihe e nyere ikike maka ya. Ngụkọta ọnụọgụ ndenye (ikike) enwetara na oge 1980-2019 - 1 ikike.
Ihe ndị bụ isi sitere na dataset a ejiri mee nyocha:
- ụbọchị ikike_okike - ụbọchị okike nke ngwa (n'ezie, ụbọchị nke ọrụ ụlọ na-amalite)
- nkọwa - nkọwa nke ngwa (okwu abụọ ma ọ bụ atọ na-akọwa ọrụ owuwu (ọrụ) nke e mepụtara ikike)
- echere_ego - atụmatụ (atụmatụ) ụgwọ ọrụ owuwu
- edegharịrị_ego - ọnụ ahịa edegharịrị (ụgwọ ọrụ mgbe nyochachara, mmụba ma ọ bụ ibelata nke mpịakọta mbụ nke ngwa ahụ)
- ẹdude_eji - ụdị ụlọ (otu-, ezinụlọ abụọ, ụlọ, ụlọ ọrụ, mmepụta, wdg)
- zipcode, ọnọdụ - koodu nzi ozi na nhazi ihe
Ọrụ ihe owuwu kwa afọ na San Francisco
Eserese dị n'okpuru na-egosi paramita echere_ego и edegharịrị_ego ewepụtara dị ka nkesa nke ngụkọta ego nke ọrụ site na ọnwa.
data_cost_m = data_cost.groupby(pd.Grouper(freq='M')).sum()Iji belata "outliers" kwa ọnwa, a na-achịkọta data kwa ọnwa n'afọ. Eserese nke ọnụọgụ ego etinyere n'afọ enwetala ụdị ezi uche dị na ya na nyocha.
data_cost_y = data_cost.groupby(pd.Grouper(freq='Y')).sum()
Dabere na mmegharị kwa afọ nke nchikota nke ọnụ ahịa (ikike niile maka afọ) na akụrụngwa obodo Ihe gbasara akụ na ụba nke metụtara site na 1980 ruo 2019 pụtara nke ọma na ọnụ ọgụgụ na ọnụ ahịa nke ihe owuwu, ma ọ bụ n'ụzọ ọzọ na itinye ego na ụlọ ahịa San Francisco.
Ọnụ ọgụgụ nke ikike ụlọ (ọnụọgụ ọrụ ụlọ ma ọ bụ ọnụ ọgụgụ nke ntinye ego) n'ime afọ 40 gara aga nwere njikọ chiri anya na ọrụ akụ na ụba na Silicon Valley.
Ejikọtara ọnụ ọgụgụ mbụ nke ọrụ owuwu na igwe eletrọnịkị nke etiti 80s na ndagwurugwu. Nlaghachi eletrọnịkị na ụlọ akụ na-esote na 1985 zigara ahịa ala na ụlọ mpaghara n'ime mbelata nke ọ na-agbakebeghị kemgbe ihe fọrọ nke nta ka ọ bụrụ afọ iri.
Mgbe nke ahụ gasịrị, ugboro abụọ ọzọ (na 1993-2000 na 2009-2016) tupu ọdịda nke Dotcom afụ na ọganihu nkà na ụzụ nke afọ ndị na-adịbeghị anya. Ụlọ ọrụ ihe owuwu nke San Francisco enwetala uto parabolic nke ọtụtụ puku pasentị..
Site n'iwepụ ọnụ ọgụgụ dị n'etiti na ọwa mmiri na ịhapụ ụkpụrụ kacha nta na nke kachasị maka usoro akụ na ụba ọ bụla, o doro anya na nnukwu mgbanwe ahịa na-emekpa ụlọ ọrụ ahụ n'ime afọ 40 gara aga.
Mmụba kachasị ukwuu na ntinye ego na ihe owuwu mere n'oge ọganihu dot-com, mgbe n'etiti 1993 na 2001 $ 10 ijeri n'ịrụgharị na iwu ụlọ, ma ọ bụ ihe dị ka ijeri $1 kwa afọ. Ọ bụrụ na anyị gụọ na square mita (ọnụahịa 1 m² na 1995 bụ $ 3000), nke a bụ ihe dịka 350 m000 kwa afọ maka afọ 2, malite na 10.
Mmụba nke mkpokọta ego kwa afọ n'ime oge a ruru 1215%.
Ụlọ ọrụ ndị na-akwụ ụgwọ ihe owuwu n'oge a yiri ụlọ ọrụ ndị na-ere shọvel n'oge ọgba aghara ọla edo (n'otu mpaghara ahụ n'etiti narị afọ nke 19). Naanị kama shọvel, na 2000s e nwere ugbua cranes na ihe nfuli maka ọhụrụ guzobere ewu ụlọ ọrụ ndị chọrọ ime ka ego na-ewu ọganihu.
Mgbe nke ọ bụla n'ime ọtụtụ ọgba aghara nke ụlọ ọrụ ihe owuwu ahụ nwetara kemgbe ọtụtụ afọ, n'ime afọ abụọ na-esote ọgba aghara, itinye ego (ego nke ngwa maka ikike) maka owuwu dara opekata mpe 50% oge ọ bụla.
Ọgba aghara kachasị na ụlọ ọrụ ihe owuwu San Francisco mere na 90s. Ebe, na a periodicity nke 5 afọ, ụlọ ọrụ ma dara (-85% na oge 1983-1986), wee bilie ọzọ (+ 895% na oge 1988-1992), fọdụrụ na kwa afọ okwu na 1981, 1986, 1988 , 1993 - n'otu ọkwa.
Mgbe 1993 gasịrị, mbelata niile na-esote na ụlọ ọrụ ihe owuwu erughị 50%. Ma nsogbu akụ na ụba na-abịaru nso (n'ihi COVID-19) nwere ike ịmepụta nsogbu ndekọ na ụlọ ọrụ ihe owuwu na oge 2017-2021, ọdịda nke ugbua na oge 2017-2019 bụ ngụkọta nke ihe karịrị 60%.
Mmụba ọnụ ọgụgụ ndị San Francisco ike na oge 1980-1993 nakwa gosiri na ọ fọrọ nke nta exponential uto. Ike akụ na ụba na ume ọhụrụ nke Silicon Valley bụ ntọala siri ike nke e wulitere hyperbole nke New Economy, American Renaissance, na ntụpọ-coms. Ọ bụ isi mmalite nke akụ na ụba ọhụrụ. Mana n'adịghị ka ịrị elu nke itinye ego na ụlọ, mgbe ọnụ ọgụgụ dot-com gasịrị, ọnụ ọgụgụ ndị mmadụ abawanyela n'ezie.
Tupu ọnụ ọgụgụ kasị elu nke dot-com na 2001, mmụba ndị mmadụ kwa afọ kemgbe 1950 abụrụla ihe dị ka 1% kwa afọ. Mgbe ahụ, mgbe ọdịda nke afụ dara, nbata nke ọnụ ọgụgụ ọhụrụ ebelatala ma kemgbe 2001 bụ naanị 0.2 pasent kwa afọ.
N'afọ 2019 (na nke mbụ kemgbe 1950), mmụba nke uto gosipụtara ọnụ ọgụgụ mmadụ (-0.21% ma ọ bụ mmadụ 7000) sitere na obodo San Francisco.
Atụmanya na eziokwu mgbe ị na-akwadebe atụmatụ ọnụ ahịa
N'ime ihe ndekọ data ejiri, a na-ekewa data maka ụgwọ akwụkwọ ikike maka ọrụ owuwu n'ime:
- ọnụ ahịa atụmatụ mbụ (echere_ego)
- Ọnụ ego ọrụ mgbe nyochachara (edegharịrị_ego)
N'oge oge ọganihu, isi nzube nke revaluation bụ ịbawanye ego mbụ, mgbe onye na-etinye ego (onye ahịa na-ewu ụlọ) na-egosi agụụ mgbe mmalite nke ụlọ.
N'oge nsogbu, ha na-agbalị ịghara ịfefe ego a na-eme atụmatụ, na atụmatụ mbụ na-enwekwa ihe fọrọ nke nta ka ọ bụrụ mgbanwe ọ bụla (ma ewezuga ala ọma jijiji nke 1989).
Dị ka eserese nke e wuru n'iche dị n'etiti ọnụ ahịa agbagoro na atụmatụ (revised_cost - certain_cost), enwere ike ịhụ na:
Ọnụ ego na-abawanye mgbe ị na-atụgharị olu nke ọrụ owuwu na-adabere kpọmkwem na usoro ọganihu akụ na ụba
data_spread = data_cost.assign(spread = (data_cost.revised_cost-data_cost.estimated_cost))
N'ime oge ọganihu akụ na ụba ngwa ngwa, ndị ahịa nke ọrụ (ndị na-etinye ego) na-eji ego ha eme ihe n'ụba, na-abawanye arịrịọ ha mgbe mmalite nke ọrụ.
Onye ahịa (onye na-etinye ego), na-enwe ntụkwasị obi n'ụzọ ego, na-arịọ onye na-ahụ maka ihe owuwu ma ọ bụ onye na-ese ụkpụrụ ụlọ ka ọ gbasaa ikike ụlọ enyerelarị. Nke a nwere ike ịbụ mkpebi ịbawanye ogologo nke mbụ nke ọdọ mmiri ma ọ bụ mee ka mpaghara ụlọ ahụ dịkwuo elu (mgbe mmalite ọrụ na inye ikike ụlọ).
Na ọnụ ọgụgụ kasị elu nke oge ntụpọ-com, mmefu "mgbakwunye" dị otú ahụ ruru "mgbakwunye" 1 ijeri kwa afọ.
Ọ bụrụ na ị na-ele anya na tebụl a ama na pasent mgbanwe, mgbe ahụ, ọnụ ọgụgụ kasị elu na-abawanye na atụmatụ (100% ma ọ bụ 2 ugboro mbụ e mere atụmatụ na-eri) mere n'afọ tupu ala ọma jijiji ahụ mere na 1989 nso obodo. Echere m na mgbe ala ọma jijiji ahụ gasịrị, ọrụ ihe owuwu malitere na 1988 chọrọ, mgbe ala ọma jijiji ahụ gasịrị na 1989, oge na ego maka mmejuputa.
N'aka nke ọzọ, nlegharị anya nke ọnụ ahịa echere (nke mere naanị otu ugboro n'ime oge site na 1980 ruo 2019) ọtụtụ afọ tupu ala ọma jijiji ahụ nwere ike ịbụ n'ihi na ụfọdụ ọrụ malitere na 1986-1987 bụ oyi kpọnwụrụ ma ọ bụ tinye ego na ọrụ ndị a. gbadaa. Na nhazi oge ná nkezi maka ọrụ ọ bụla malitere na 1987 - mbelata nke ọnụ ahịa a tụrụ anya bụ -20% nke atụmatụ mbụ..
data_spred_percent = data_cost_y.assign(spred = ((data_cost_y.revised_cost-data_cost_y.estimated_cost)/data_cost_y.estimated_cost*100))
Mmụba n'ego mbụ e mere atụmatụ nke ihe karịrị 40% gosiri ma ọ bụ ikekwe ọ bụ n'ihi afụ na-abịaru nso na ego ma mechaa ahịa ihe owuwu.
Kedu ihe kpatara mbelata nke mgbasa (iche) n'etiti ọnụ ahịa atụmatụ na nke edegharịrị mgbe 2007 gasịrị?
Ikekwe ndị investors malitere iji nlezianya lelee ọnụ ọgụgụ ahụ (nkezi ego karịrị afọ 20 mụbara site na $ 100 puku ruo $ 2 nde) ma ọ bụ ikekwe ngalaba na-ewu ụlọ, na-egbochi ma na-egbochi egosipụta na-apụta na ahịa ụlọ ahịa, webatara iwu ọhụrụ na mgbochi iji belata manipulations ga-ekwe omume. na ihe ize ndụ ndị nwere ike ibilite n'ime afọ nsogbu.
Ọrụ owuwu dabere na oge nke afọ
Site n'ịchịkọta data site na izu kalenda nke afọ (izu 54), ị nwere ike ịhụ ọrụ owuwu n'obodo San Francisco dabere na oge na oge nke afọ.
Site na ekeresimesi, ụlọ ọrụ niile na-ewu ụlọ na-agbalị ịnweta ikike maka ọrụ "nnukwu" ọhụrụ n'oge. (n'otu oge ahụ! ọnụ ọgụgụ nke ikike n'ime otu ọnwa ndị a bụ otu ọkwa n'ime afọ). Ndị na-achụ ego, na-eme atụmatụ ịnata ihe onwunwe ha n'ime afọ na-esote, na-abanye na nkwekọrịta n'ime ọnwa oyi, na-agụta ego buru ibu (ebe ọ bụ na nkwekọrịta okpomọkụ, maka ọtụtụ akụkụ, na-abịa na njedebe na njedebe nke afọ na ụlọ ọrụ ndị na-ewu ụlọ na-enwe mmasị. na ịnata ngwa ọhụrụ).
Tupu ekeresimesi, a na-etinye akwụkwọ anamachọihe kacha ukwuu (mmụba site na nkezi nke ijeri 1-1,5 kwa ọnwa ruo ijeri 5 na Disemba naanị). N'otu oge ahụ, ngụkọta ọnụ ọgụgụ nke ngwa site na ọnwa na-anọgide na otu ọkwa (lee ngalaba dị n'okpuru: ọnụ ọgụgụ na ọnụọgụ ngwa nke ọnwa na ụbọchị)
Mgbe ezumike oyi gasịrị, ụlọ ọrụ na-arụ ọrụ na-arụsi ọrụ ike na-eme atụmatụ ma na-emejuputa iwu "Christmas" (nke fọrọ nke nta ka ọ bụrụ mmụba na ọnụ ọgụgụ ikike) iji wepụ ihe onwunwe site n'etiti afọ (tupu ụbọchị ezumike nke nnwere onwe) tupu ọhụrụ ọhụrụ. ife nke okpomọkụ contracts amalite ozugbo June ememe.
data_month_year = data_month_year.assign(week_year = data_month_year.permit_creation_date.dt.week)
data_month_year = data_month_year.groupby(['week_year'])['estimated_cost'].sum()
Otu data pasent (orange akara) na-egosikwa na ụlọ ọrụ ahụ na-arụ ọrụ "na-arụ ọrụ nke ọma" n'ime afọ niile, ma tupu ezumike na mgbe ezumike gasịrị, ọrụ na ikike na-abawanye ruo 150% na oge n'etiti izu 20-24 (tupu ụbọchị nnwere onwe), na na-ebelata ozugbo ezumike ruo -70%.
Tupu Halloween na ekeresimesi, ọrụ na ụlọ ọrụ ihe owuwu San Francisco na-abawanye site na 43% n'ime izu 44-150 (site na ala ruo elu) wee belata na efu n'oge ezumike.
Ya mere, ụlọ ọrụ ahụ nọ na okirikiri ọnwa isii, nke na-ekewa site na ezumike "Ụbọchị Nnwere Onwe US" (izu 20) na "Christmas" (izu 52).
Mkpokọta itinye ego na ụlọ na San Francisco
Dabere na data gbasara ikike iwu ụlọ n'obodo:
Ngụkọta ntinye ego na ọrụ owuwu na San Francisco site na 1980 ruo 2019 bụ ijeri $91,5.
sf_worth = data_location_lang_long.cost.sum()
Ngụkọta ọnụ ahịa ahịa nke ụlọ obibi niile dị na San Francisco bụ ụtụ ụlọ (n'ihi uru a na-enyocha nke ezigbo ala na ụlọ nke San Francisco nwere) .
Kedu mpaghara San Francisco etinyegoro n'ime afọ 40 gara aga?
N'iji ọbá akwụkwọ Foium, ka anyị hụ ebe mpaghara etinyere $91,5 ijeri. Iji mee nke a, na-achịkọta data site na koodu zip, anyị ga-anọchi anya ụkpụrụ ndị na-esi na ya pụta site na iji okirikiri (ọrụ Circle sitere na ọba akwụkwọ Folium).
import folium
from folium import Circle
from folium import Marker
from folium.features import DivIcon
# map folium display
lat = data_location_lang_long.lat.mean()
long = data_location_lang_long.long.mean()
map1 = folium.Map(location = [lat, long], zoom_start = 12)
for i in range(0,len(data_location_lang_long)):
Circle(
location = [data_location_lang_long.iloc[i]['lat'], data_location_lang_long.iloc[i]['long']],
radius= [data_location_lang_long.iloc[i]['cost']/20000000],
fill = True, fill_color='#cc0000',color='#cc0000').add_to(map1)
Marker(
[data_location_mean.iloc[i]['lat'], data_location_mean.iloc[i]['long']],
icon=DivIcon(
icon_size=(6000,3336),
icon_anchor=(0,0),
html='<div style="font-size: 14pt; text-shadow: 0 0 10px #fff, 0 0 10px #fff;; color: #000";"">%s</div>'
%("$ "+ str((data_location_lang_long.iloc[i]['cost']/1000000000).round()) + ' mlrd.'))).add_to(map1)
map1
O doro anya site na mpaghara na Ọtụtụ n'ime achịcha ahụ gara DownTown n'ụzọ ezi uche dị na ya. N'ịbụ ndị na-eme ka nchịkọta nke ihe niile dị mfe site n'ebe dị anya na etiti obodo na oge ọ na-ewe iji ruo n'etiti obodo (n'ezie, a na-ewukwa ụlọ ndị dị oké ọnụ ahịa n'ụsọ oké osimiri), e kewara ikike niile n'ime 4 dị iche iche: 'Downtown' , '<0.5H Ogbe Ndịda', '< 1H Ogbe Ndịda', 'N'èzí SF'.
from geopy.distance import vincenty
def distance_calc (row):
start = (row['lat'], row['long'])
stop = (37.7945742, -122.3999445)
return vincenty(start, stop).meters/1000
df_pr['distance'] = df_pr.apply (lambda row: distance_calc (row),axis=1)
def downtown_proximity(dist):
'''
< 2 -> Near Downtown, >= 2, <4 -> <0.5H Downtown
>= 4, <6 -> <1H Downtown, >= 8 -> Outside SF
'''
if dist < 2:
return 'Downtown'
elif dist < 4:
return '<0.5H Downtown'
elif dist < 6:
return '<1H Downtown'
elif dist >= 6:
return 'Outside SF'
df_pr['downtown_proximity'] = df_pr.distance.apply(downtown_proximity)N'ime ijeri 91,5 etinyere na obodo ahụ, ihe fọrọ nke nta ka ọ bụrụ ijeri 70 (75% nke itinye ego niile) etinyere na ndozi na ihe owuwu dị n'etiti obodo. (mpaghara akwụkwọ ndụ akwụkwọ ndụ) na mpaghara obodo n'ime oghere nke 2 km. site na etiti (mpaghara anụnụ anụnụ).
Nkezi ọnụ ahịa ihe owuwu ụlọ site na mpaghara obodo
E ji koodu zip chịkọta data niile, dịka ọ dị na mkpokọta ego ntinye ego. Naanị na nke a na nkezi (.mean()) atụmatụ ego nke ngwa site na koodu zip.
data_location_mean = data_location.groupby(['zipcode'])['lat','long','estimated_cost'].mean()
N'ebe ndị nkịtị nke obodo (ihe karịrị 2 km site n'etiti obodo) - nkezi ego a na-eme atụmatụ maka ngwa ihe owuwu bụ $ 50 puku.
Ọnụ ego a na-eme atụmatụ na mpaghara etiti obodo dị ihe dịka okpukpu atọ karịa ($ 150 puku na $400 puku) karịa na mpaghara ndị ọzọ ($ 30-50 puku).
Na mgbakwunye na ọnụ ahịa ala, ihe atọ na-ekpebi ọnụ ahịa ụlọ a na-akwụ: ọrụ, ihe onwunwe, na ụgwọ gọọmenti. Akụkụ atọ ndị a dị elu na California karịa na mba ndị ọzọ. A na-ewere ụkpụrụ ụlọ nke California dị ka ụfọdụ n'ime ihe kachasị na nke siri ike na mba ahụ (n'ihi ala ọma jijiji na ụkpụrụ gburugburu ebe obibi), na-achọkarị ihe na ọrụ dị oke ọnụ.
Dịka ọmụmaatụ, gọọmentị chọrọ ka ndị na-ewu ụlọ jiri ihe ụlọ dị elu (window, mkpuchi, kpo oku na usoro oyi) iji nweta ụkpụrụ nrụpụta ike dị elu.
Site na ọnụ ọgụgụ izugbe na nkezi ego nke ngwa ikike, ebe abụọ pụtara ìhè:
- Nnukwu Akuku - agwaetiti artificial na San Francisco Bay. Nkezi ọnụ ahịa ikike ụlọ bụ $6,5 nde.
- Mission Bay — (Ndị bi na 2926) Ọnụ ego e mere atụmatụ maka akwụkwọ ikike ụlọ bụ $1,5 nde.
N'ezie, ngwa ngwa dị elu na mpaghara abụọ a metụtara yana ọnụ ọgụgụ kacha nta nke ngwa maka ebe nzi ozi ndị a (145 na 3064 n'otu n'otu, ewu n'àgwàetiti ahụ dị oke oke), ebe maka koodu nzi ozi ndị ọzọ - XNUMXna oge 1980-2019 natara ihe dị ka ngwa 1300 kwa afọ (ngụkọta na nkezi 30 -50 puku ngwa maka oge dum).
Dị ka “ọnụọgụ ngwa” paramita si dị, a na-ahụta nkesa n'ụzọ zuru oke nke ọnụọgụ ngwa nke koodu nzi ozi n'obodo niile.
Ndekọ ọnụ ọgụgụ nke ngwa site na ọnwa na ụbọchị
Ngụkọta ọnụ ọgụgụ nke ngwa n'ime ọnwa na ụbọchị nke izu n'etiti 1980 na 2019 na-egosi na Ọnwa kacha dị jụụ maka ngalaba ihe owuwu bụ ọnwa mmiri na oyi. N'otu oge ahụ, ego ntinye ego akọwapụtara na ngwa dịgasị iche iche ma dị iche site na ọnwa ruo ọnwa mgbe ụfọdụ (lee ọzọ "Ọrụ ihe owuwu dabere na oge oge"). N'ime ụbọchị nke izu, na Monday ibu na ngalaba bụ ihe dịka 20% na-erughị ụbọchị ndị ọzọ nke izu.
months = [ 'January', 'February', 'March', 'April', 'May','June', 'July', 'August', 'September', 'October', 'November', 'December' ]
data_month_count = data_month.groupby(['permit_creation_date']).count().reindex(months)
Ọ bụ ezie na June na Julaị bụ ihe fọrọ nke nta ka ọ bụrụ otu n'ime ọnụọgụ ngwa ngwa, n'ihe gbasara mkpokọta echere na ọ ga-efu ihe dị iche na-erute 100% (ijeri 4,3 na Mee na Julaị na ijeri 8,2 na June).
data_month_sum = data_month.groupby(['permit_creation_date']).sum().reindex(months)
Ọdịnihu nke ụlọ ọrụ ihe owuwu San Francisco, na-ebu amụma ọrụ site na ụkpụrụ.
N'ikpeazụ, ka anyị jiri chaatị ọrụ ihe owuwu na San Francisco tụnyere chaatị ọnụahịa Bitcoin (2015-2018) na chaatị ọnụahịa ọla edo (1940 - 1980).
Ụkpụrụ (si na English ụkpụrụ - nlereanya, sample) - na teknuzu analysis kwụsiri ike ugboro ugboro nke price, olu ma ọ bụ egosi data na-akpọ. Usoro nyocha dabere na otu n'ime axioms nke nyocha teknụzụ: "akụkọ ihe mere eme na-emeghachi onwe ya" - a kwenyere na nchịkọta data ugboro ugboro na-eduga na nsonaazụ yiri ya.
Isi ụkpụrụ nke enwere ike ịhụ na eserese mmemme kwa afọ bụ Nke a bụ usoro mgbanwe mgbanwe nke “isi na ubu. Ya mere aha ya n'ihi na eserese dị ka isi mmadụ (elu) na ubu n'akụkụ (obere elu). Mgbe ọnụahịa ahụ na-agbaji ahịrị na-ejikọta akpa mmiri, a na-ewere ụkpụrụ ahụ zuru oke na mmegharị ahụ nwere ike ịdị ala.
Ntugharị na-arụ ọrụ na ụlọ ọrụ ihe owuwu San Francisco fọrọ nke nta ka ọ bụrụ kpam kpam na ịrị elu nke ọla edo na bitcoin. Ọrụ akụkọ ihe mere eme nke ọnụahịa atọ ndị a na eserese ọrụ na-egosi myirịta pụtara ìhè.
Iji nwee ike ịkọ omume nke ahịa ihe owuwu n'ọdịnihu, ọ dị mkpa iji gbakọọ ọnụọgụ njikọ na nke ọ bụla n'ime ụzọ abụọ a.
A na-akpọ mgbanwe abụọ na-enweghị ihe ọ bụla na-ejikọta ma ọ bụrụ na oge njikọ ha (ma ọ bụ ọnụọgụ njikọ) dị iche na efu; a na-akpọkwa ọnụọgụ ndị na-enweghị njikọ ma ọ bụrụ na oge njikọ ha bụ efu.
Ọ bụrụ na uru na-esi na ya pụta dị nso na 0 karịa 1, mgbe ahụ ọ dịghị uru ikwu okwu banyere ụkpụrụ doro anya. Nke a bụ nsogbu mgbakọ na mwepụ dị mgbagwoju anya, nke ndị enyi meworo agadi nwere ike ịnwe mmasị na isiokwu a.
Ọ bụrụ! na-abụghị nke sayensị! leba anya na isiokwu nke mmepe mmepe nke ụlọ ọrụ mmepụta ihe na San Francisco: ọ bụrụ na ụkpụrụ ahụ na-aga n'ihu na ọnụ ahịa Bitcoin, mgbe ahụ. dị ka nhọrọ a enweghị isi - ịpụ na nsogbu dị na ụlọ ọrụ ihe owuwu na San Francisco agaghị adị mfe n'oge ọgba aghara ozugbo.
Site na nhọrọ “nwere nchekwube”. mmepe, mmụba ugboro ugboro na ụlọ ọrụ ihe owuwu ga-ekwe omume ma ọ bụrụ na ọrụ ebe a na-agbaso ọnọdụ "ọnụahịa ọla edo". N'okwu a, n'ime afọ 20-30 (ikekwe na 10), ụlọ ọrụ na-ewu ụlọ ga-enwe ọganihu ọhụrụ na ọrụ na mmepe.
M ga-elebakwu anya n'otu akụkụ nke ihe owuwu (nrụzi ụlọ, kichin, ụlọ steepụ, ụlọ ịsa ahụ, ma ọ bụrụ na ị nwere aro ọ bụla na ụlọ ọrụ ma ọ bụ data ndị ọzọ - biko dee na nkwupụta) ma tụnyere onu oriri maka ụdị ọrụ nke onye ọ bụla. Ọnụego mbinye ego nbinye na uru nke mbikọ US nke gọọmentị (ụgwọ ego a kapịrị ọnụ & Mkpụrụ ego US Treasury).
Njikọ na akụkụ nke abụọ:
Njikọ na akwụkwọ ndetu Jupyter:
Biko, maka ndị ha na Kaggle nọ, nye akwụkwọ ndetu mgbakwunye (I meela!).
(A ga-agbakwunye nkọwa na nkọwa nke koodu ahụ ma emechaa na akwụkwọ ndetu)
Njikọ na ụdị Bekee:
Ọ bụrụ na ị na-enwe mmasị na ọdịnaya m, biko tụlee ịzụrụ m kọfị.
daalụ maka nkwado gị!
Naanị ndị ọrụ edebanyere aha nwere ike isonye na nyocha a. , Biko.
Kedu ihe ga-eme n'ọdịnihu maka ụlọ ọrụ ihe owuwu nke San Francisco?
-
66,7%Ngalaba ihe owuwu na-eso ụzọ Bitcoin2
-
0,0%Ngalaba ihe owuwu nwere ike soro ụzọ ọnụ ahịa ọla edo0
-
0,0%Ngalaba na-atụ anya hype n'ime afọ 10 na-esote
-
33,3%Mmepe nke ngalaba anaghị aga dịka ụkpụrụ1
Ndị ọrụ 3 họpụtara. Ndị ọrụ 6 anabataghị.
isi: www.habr.com