Ko tenei raupapa o nga tuhinga e whakatapua ana ki te ako mo nga mahi hanga i te taone nui o Silicon Valley - San Francisco. Ko San Francisco te hangarau "Moscow" o to tatou ao, ma te whakamahi i tana tauira (me te awhina o nga raraunga tuwhera) hei tirotiro i te whanaketanga o te ahumahi hanga i roto i nga taone nui me nga whakapaipai.
I mahia te hanga kauwhata me nga tatauranga i roto (i runga i te papanga Kaggle.com).
Ko nga raraunga mo te neke atu i te kotahi miriona whakaaetanga hanga whare (nga rekoata i roto i nga huingararaunga e rua) mai i te Tari Hangahanga o San Francisco - ka whakaaetia tātari kore anake mahi hanga i roto i te pa, engari me whakaaro arohaehae nga ahuatanga hou me te hitori o te whanaketanga o te umanga hanga i nga tau 40 kua hipa, i waenga i te 1980 me te 2019.
Ko nga raraunga tuwhera ka taea te tuhura Ko nga mea matua kua awe, ka awe i te whanaketanga o te umanga hanga i roto i te taone nui, ka wehewehea ratou ki nga "waho" (te ohanga me nga raru) me te "roto" (te awe o nga hararei me nga huringa tau-a-tau).
Tuhinga
Whakatuwherahia nga raraunga me te arotake i nga tawhā turanga.
Ehara tenei i te whakamaoritanga o te tuhinga. Ka tuhi ahau ki runga LinkedIn me te kore e hanga whakairoiro i roto i nga reo maha, ko nga whakairoiro katoa kei te reo Ingarihi.
Hononga ki te waahanga tuarua:
Raraunga Whakaaetanga Whare Taone o San Francisco - Mai i te Waahi Raraunga Tuwhera - . He maha nga rarangi raraunga mo te kaupapa hangahanga. E rua nga putunga korero e rongoa ana me te whakahou i nga raraunga mo nga whakaaetanga i tukuna mo te hanga, te whakatika ranei o nga taonga i te taone nui:
- (850 mano rekoata)
- (280 mano rekoata, ka tangohia nga raraunga ka whakahoutia ia wiki)
Kei roto i enei huinga raraunga nga korero mo nga whakaaetanga hangahanga kua tukuna, me nga ahuatanga rereke o te mea i tukuna ai te whakaaetanga. Te maha o nga whakaurunga (whakaaetanga) kua riro i te wa 1980-2019 - 1 whakaaetanga.
Ko nga tawhā matua mai i tenei huingararaunga i whakamahia hei tātari:
- te ra_hanga_whakaae - te ra i hangaia ai te tono (ko te ra i timata ai nga mahi hanga)
- whakaahuatanga — te whakamaarama mo te tono (e rua, e toru nga kupu matua e whakaatu ana i te kaupapa hanga (mahi) i hangaia ai te whakaaetanga)
- utu_utu — te utu mo te mahi hanga
- utu_whakahou - te utu kua whakahouhia (te utu mo te mahi i muri i te arotakenga, te piki, te whakaheke ranei o nga pukapuka tuatahi o te tono)
- whakamahia_i mua - momo whare (kotahi, rua-whare whare, whare noho, tari, hanga, etc.)
- zipcode, tauwāhi — waehere poutāpeta me nga taunga ahanoa
Nga mahi hanga-a-tau i San Francisco
Ko te kauwhata i raro nei e whakaatu ana i nga tawhā utu_utu и utu_whakahou ka whakaatuhia hei tohatoha o te tapeke utu mo te mahi i ia marama.
data_cost_m = data_cost.groupby(pd.Grouper(freq='M')).sum()Hei whakaiti i nga "waho" o ia marama, ka whakarōpūhia nga raraunga o ia marama ma te tau. Ko te kauwhata o te nui o nga moni kua whakangaohia i ia tau kua whiwhi i te ahua arorau me te tātari.
data_cost_y = data_cost.groupby(pd.Grouper(freq='Y')).sum()
I runga i nga nekehanga a-tau o nga utu (nga whakaaetanga katoa mo te tau) ki nga whare taone Ko nga ahuatanga ohaoha i awe mai i te 1980 ki te 2019 ka tino kitea i runga i te maha me te utu o nga kaupapa hangahanga, i runga ranei i nga moni whakangao ki nga whenua o San Francisco.
Ko te maha o nga whakaaetanga hanga whare (te maha o nga mahi hanga whare, te maha ranei o nga haumi) i roto i nga tau 40 kua pahemo kua hono tata ki nga mahi ohaoha i Silicon Valley.
Ko te tihi tuatahi o nga mahi hanga e hono ana ki te hikoi hiko o te waenganui-80s i te raorao. Ko te paheketanga o te hikohiko me te peeke i te tau 1985 ka heke te maakete hoko whenua a-rohe, kaore i ora ake mo te tata ki te tekau tau.
I muri i tera, e rua ano nga wa (i 1993-2000 me 2009-2016) i mua i te paheketanga o te mirumiru Dotcom me te pikinga hangarau o nga tau tata nei. Ko te ahumahi hanga o San Francisco kua kite i te tipu parabolic e hia mano ōrau..
Ma te tango i nga tihi o waenga me nga taarua me te waiho i nga uara iti me te teitei mo ia huringa ohaoha, ka maarama he pehea te nui o nga rereketanga o te maakete i pa ki te umanga i roto i nga tau 40 kua hipa.
Ko te pikinga nui rawa atu o te haumi ki te hangahanga i puta i te wa o te dot-com boom, i te wa i waenga i te 1993 me te 2001 $10 piriona i whakangaohia ki te whakahou me te hanga, tata ki te $1 piriona ia tau. Mena ka tatauhia i roto i nga mita tapawha (ko te utu mo te 1 m² i te tau 1995 he $3000), he 350 m000 tenei mo ia tau mo te 2 tau, timata mai i te tau 10.
Ko te tipu o nga moni whakangao a-tau i roto i tenei waa ko te 1215%.
Ko nga kamupene i reti i nga taputapu hanga i tenei wa he rite ki nga kamupene i hoko koko i te wa o te wiwi koura (i te rohe ano i te waenganui o te rau tau 19). Engari ko nga koko anake, i nga tau 2000 kua puta kee nga warou me nga papu raima mo nga kamupene hanga hou e hiahia ana ki te whai moni i runga i nga mahi hanga.
Whai muri i ia o nga raru maha kua pa ki te umanga hanga i roto i nga tau, i roto i nga tau e rua e whai ake nei i muri mai i te raru, he haumi (te nui o nga tono mo nga whakaaetanga) mo te hanga i hinga i te iti rawa 50% ia wa.
Ko nga raru nui i roto i te umanga hangahanga o San Francisco i puta i nga tau 90. Ina, me te wa o te 5 tau, ka hinga te umanga (-85% i te waa 1983-1986), ka piki ano (+895% i te waa 1988-1992), ka toe i nga tau i te tau 1981, 1986, 1988 , 1993 - i te taumata kotahi.
I muri mai i te tau 1993, ko nga paheketanga katoa o muri mai i roto i te umanga hangahanga kaore i neke atu i te 50%. Engari ka tata te raruraru ohaoha (na te COVID-19) ka taea te hanga i tetahi raru rekoata i roto i te umanga hanga i roto i te wa 2017-2021, ko te hekenga kua i roto i te waa 2017-2019 ka nui atu i te 60%.
Te tipu o te taupori o San Francisco nga hihiri i roto i te waa 1980-1993 hoki i whakaatu tata te tipu haere. Ko te kaha ohaoha me te kaha auaha o Silicon Valley te turanga pakari i hangaia ai te hiipera o te New Economy, te American Renaissance, me nga dot-coms. Koia te pokapū o te ohanga hou. Engari kaore i rite ki te pikinga o te haumi whare, i muri i te tihi o te dot-com, i tino maru te taupori.
I mua i te pikinga o te dot-com i te tau 2001, ko te tipu o te taupori mai i te tau 1950 he 1% ia tau. Na, i muri i te paheketanga o te mirumiru, ka puhoi te urunga mai o te taupori hou, mai i te tau 2001 he 0.2 paiheneti noa ia tau.
I te tau 2019 (mo te wa tuatahi mai i te tau 1950), i whakaatuhia e te kaha o te tipu te rerenga o te taupori (-0.21%, 7000 ranei nga taangata) mai i te taone nui o San Francisco.
Te tumanako me te pono i te wa e whakarite ana i nga whakatau tata utu
I roto i nga raraunga kua whakamahia, ka wehewehea nga raraunga mo te utu mo te whakaaetanga mo tetahi kaupapa hangahanga ki:
- utu whakatau tata tuatahi (utu_utu)
- utu mo te mahi i muri i te arotakenga (utu_whakahou)
I roto i nga wa o te pupuhi, ko te kaupapa matua o te arotakenga ko te whakanui ake i te utu tuatahi, i te wa e whakaatu ana te kaipupuri moni (te kaihoko hanga) i te hiahia i muri i te timatanga o te hanganga.
I te wa o te raru, ka ngana ratou kia kaua e neke ake i nga utu e kiia ana, a ko nga whakatau tuatahi karekau he huringa (haunga te ru 1989).
E ai ki te kauwhata i hangaia i runga i te rereketanga i waenga i te utu i whakatauhia me te utu i whakatauhia (te utu_whakahou - te utu_whakatau), ka taea te kite ko:
Ko te nui o te pikinga o te utu ina arotakehia te rahinga o nga mahi hanga ka whakawhirinaki ki nga huringa ohaoha
data_spread = data_cost.assign(spread = (data_cost.revised_cost-data_cost.estimated_cost))
I roto i nga wa o te tipu ohaoha tere, ka whakapau kaha nga kaihoko mahi (kaitoha) i a raatau moni, me te whakanui ake i a raatau tono i muri i te tiimata o te mahi.
Ko te kaihoko (kaitoha moni), e maia ana ki te taha putea, ka tono ki te kaikirimana hanga, ki te kaitoi whare ranei kia whakaroahia te whakaaetanga hanga whare kua tukuna. He whakatau tenei ki te whakanui ake i te roa tuatahi o te puna kaukau, ki te whakanui ranei i te waahi o te whare (i muri i te tiimatanga o te mahi me te whakaputanga o te whakaaetanga hanga whare).
I te tihi o te wa dot-com, ko enei utu "atu" i tae ki te "atu" 1 piriona ia tau.
Ki te titiro koe ki tenei teepu kua huri i te ōrau, katahi ka piki ake te pikinga o te whakatau tata (100%, e 2 nga wa o te utu i whakaritea tuatahi) i puta i te tau i mua o te ru i puta i te tau 1989 tata ki te taone nui. Te mana'o nei au e i muri a'e i te ueueraa fenua, e titau te mau ohipa paturaa i haamata i te matahiti 1988, i muri a'ei te rururaa i te matahiti 1989, ia rahi atu â te taime e te moni no te faaohiparaa.
Heoi ano, ko te hekenga o te utu i whakatauhia (he kotahi noa iho i puta mai i te tau 1980 ki te 2019) he maha nga tau i mua i te ru, na te mea kua whakatotoka etahi o nga kaupapa i timata mai i te tau 1986-1987, ka tapahia ranei nga haumi ki enei kaupapa. ki raro. I runga i te waarangi i te toharite mo ia kaupapa i timata i te tau 1987 - ko te whakahekenga o te utu i kiia ko -20% o te mahere tuatahi.
data_spred_percent = data_cost_y.assign(spred = ((data_cost_y.revised_cost-data_cost_y.estimated_cost)/data_cost_y.estimated_cost*100))
Ko te pikinga o te utu tuatahi neke atu i te 40% i tohuhia, he hua pea na te mirumiru e tata mai ana i roto i te putea me te maakete hangahanga.
He aha te take o te hekenga o te horahanga (rereketanga) i waenga i nga utu i whakatauhia me nga utu whakahou i muri i te tau 2007?
I timata pea nga kaipupuri moni ki te ata titiro ki nga nama (ko te nui o te nui mo te 20 tau i piki mai i te $100 mano ki te $2 miriona) ko te tari hangahanga ranei, hei aukati me te aukati i nga mirumiru ka puta mai i te maakete hoko whenua, ka tukuna he ture hou me nga here hei whakaiti i nga mahi raweke. me nga tupono ka puta ake i nga tau raru.
Nga mahi hanga i runga i te wa o te tau
Ma te whakarōpū i nga raraunga ma nga wiki maramataka o te tau (54 wiki), ka taea e koe te mataki i nga mahi hanga i te taone nui o San Francisco i runga i te kaupeka me te wa o te tau.
Hei te Kirihimete, kei te ngana nga whakahaere hanga katoa ki te whiwhi whakaaetanga mo nga kaupapa "nui" hou i te waa. (i taua wa ano! ko te maha! o nga whakaaetanga i enei marama ano kei te taumata kotahi puta noa i te tau). Ko nga kaipupuri moni, e whakamahere ana ki te tiki i o raatau rawa i roto i te tau e whai ake nei, ka uru ki nga kirimana i nga marama o te takurua, me te tatau i nga utu nui (mai i nga kirimana raumati, mo te nuinga, ka mutu i te mutunga o te tau me nga kamupene hangahanga e hiahia ana. i te whiwhi tono hou).
I mua i te Kirihimete, ko te nui rawa o nga tono ka tukuna (te piki mai i te toharite o te 1-1,5 piriona ia marama ki te 5 piriona i te Hakihea anake). I taua wa ano, ko te tapeke o nga tono i ia marama kei te noho rite tonu (tirohia te waahanga i raro nei: nga tatauranga mo te maha o nga tono ma te marama me te ra)
I muri i nga hararei o te takurua, kei te kaha te mahi a te umanga hangahanga ki te whakamahere me te whakatinana i nga ota "Kirihimete" (me te tata karekau he piki ake o te maha o nga whakaaetanga) kia taea ai te tuku rawa i te waenganui o te tau (i mua i te hararei o te Independence Day) i mua i te waa hou. ka timata te ngaru o nga kirimana raumati i muri tonu i nga hararei o Hune.
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()
E whakaatu ana ano hoki te paheketanga o nga raraunga (raina karaka) he "maeneene" te mahi a te umanga puta noa i te tau, engari i mua atu i muri mai i nga hararei, ka piki nga mahi mo nga whakaaetanga ki te 150% i roto i te waa i waenga i te wiki 20-24 (i mua i te ra o te Independence Day), a ka heke i muri tonu i te hararei ki te -70%.
I mua i te Halloween me te Kirihimete, ka piki nga mahi i roto i te umanga hangahanga o San Francisco ma te 43% i te wiki 44-150 (mai i raro ki te tihi) ka heke ki te kore i nga hararei.
No reira, ko te umanga kei roto i te huringa ono-marama, ka wehea e nga hararei "US Independence Day" (wiki 20) me te "Christmas" (wiki 52).
Katoa nga moni whakangao whare i San Francisco
I runga i nga korero mo nga whakaaetanga hanga whare i te taone nui:
Ko te tapeke haumi i roto i nga kaupapa hanga i San Francisco mai i te 1980 ki te 2019 he $91,5 piriona.
sf_worth = data_location_lang_long.cost.sum()
Te tapeke uara hokohoko o nga whare noho katoa i San Francisco i aromatawaia e nga taake rawa (ko te uara aromatawai o nga whare katoa me nga rawa whaiaro katoa na San Francisco) .
Ko ēhea rohe o San Francisco kua whakangaohia i roto i nga tau 40 kua hipa?
Ma te whakamahi i te whare pukapuka Folium, kia kite tatou kei hea tenei $91,5 piriona i whakangaohia e te rohe. Ki te mahi i tenei, ka whakarōpūhia nga raraunga ma te waehere zip, ka whakaatuhia e matou nga uara hua ma te whakamahi i nga porowhita (te mahi Porowhita mai i te whare pukapuka Folium).
import folium
from folium import Circle
from folium import Marker
from folium.features import DivIcon
# map folium display
lat = data_location_lang_long.lat.mean()
long = data_location_lang_long.long.mean()
map1 = folium.Map(location = [lat, long], zoom_start = 12)
for i in range(0,len(data_location_lang_long)):
Circle(
location = [data_location_lang_long.iloc[i]['lat'], data_location_lang_long.iloc[i]['long']],
radius= [data_location_lang_long.iloc[i]['cost']/20000000],
fill = True, fill_color='#cc0000',color='#cc0000').add_to(map1)
Marker(
[data_location_mean.iloc[i]['lat'], data_location_mean.iloc[i]['long']],
icon=DivIcon(
icon_size=(6000,3336),
icon_anchor=(0,0),
html='<div style="font-size: 14pt; text-shadow: 0 0 10px #fff, 0 0 10px #fff;; color: #000";"">%s</div>'
%("$ "+ str((data_location_lang_long.iloc[i]['cost']/1000000000).round()) + ' mlrd.'))).add_to(map1)
map1
E marama ana mai i nga rohe tera Ko te nuinga o te porowhita i haere tika ki DownTown. I te mea kua whakangwarihia te whakarōpūtanga o nga mea katoa ma te tawhiti ki te taone nui me te wa e tae atu ai ki te taone nui (ko te tikanga, kei te hangaia nga whare utu nui ki te takutai), ka wehea nga whakaaetanga katoa kia 4 nga roopu: 'Te Taone' , '<0.5H Raro', '< 1H Raro', 'Waiho 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)I roto i te 91,5 piriona i haumihia ki te taone nui, tata ki te 70 piriona (75% o nga haumi katoa) i whakapaua ki te whakatikatika me te hanga kei te taone nui. (rohe matomato) me te takiwa o te taone i roto i te radius 2 km. mai i te pokapū (rohe kahurangi).
Toharite utu tata mo te tono hanga ma te takiwa taone
Ko nga raraunga katoa, pera me te tapeke moni haumi, i whakarōpūhia ma te waehere zip. I tenei keehi anake me te utu toharite (.mean()) mo te tono ma te waehere poutāpeta.
data_location_mean = data_location.groupby(['zipcode'])['lat','long','estimated_cost'].mean()
I nga waahi noa o te taone nui (neke atu i te 2 kiromita mai i te taone nui) - ko te utu toharite mo te tono hanga he $50 mano.
Ko te utu tata ki te takiwa o te taone nui e toru nga wa teitei ake ($150 mano ki te $400 mano) i etahi atu waahi ($30-50 mano).
I tua atu i te utu o te whenua, e toru nga mea e whakatau ana i te katoa o te utu mo te hanga whare: nga mahi, nga rawa, me nga utu a te kawanatanga. Ko enei waahanga e toru he teitei ake i California i era atu o te motu. Ko nga waehere hanga whare o California e kiia ana ko etahi o nga mea tino whanui me te kaha o te whenua (na te ru me nga ture taiao), he maha nga wa e nui ake ai te utu o nga rawa me nga mahi.
Hei tauira, ka tono te kawanatanga ki nga kaihanga ki te whakamahi i nga rawa hanga whare teitei ake (matapihi, whakamahana, whakamahana me nga punaha whakamatao) kia eke ki nga paerewa kaha teitei.
Mai i nga tatauranga whanui mo te utu toharite mo te tono whakaaetanga, e rua nga waahi ka tu:
- Island Treasure - he motu hangai i San Francisco Bay. Ko te utu toharite mo te whakaaetanga hanga whare he $6,5 miriona.
- Mihana Bay — (taupori 2926) Ko te utu toharite mo te whakaaetanga hanga whare he $1,5 miriona.
Ko te tikanga, ko te tono toharite teitei i enei waahanga e rua e pa ana me te iti rawa o nga tono mo enei waahi poutapeta (145 me te 3064, he iti rawa te hanga i runga i te motu), engari mo te toenga o nga tohu poutāpeta - XNUMXā, ko te wā 1980-2019 i whiwhi tata ki te 1300 tono ia tau (tapeke i runga i te toharite 30 -50 mano tono mo te wa katoa).
E ai ki te tawhā "maha o nga tono", ka kitea te tohatoha o te maha o nga tono mo ia waehere poutapeta puta noa i te taone nui.
Te tatauranga mo te tapeke o nga tono ma te marama me te ra
Ko nga tatauranga katoa mo te maha o nga tono i te marama me te ra o te wiki i waenga i te 1980 me te 2019 e whakaatu ana Ko nga marama ata noho mo te tari hanga ko nga marama puna me te hotoke. I te wa ano, ko te nui o nga haumi kua tohua i roto i nga tono ka rerekee, ka rereke mai i ia marama ki ia marama i etahi wa. (Tirohia te taapiri "Nga mahi hanga i runga i te waa"). I roto i nga ra o te wiki, i te Mane ko te kawenga o te tari kei te 20% iti iho i era atu ra o te wiki.
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)
Ahakoa he rite tonu a Hune me Hurae i runga i te maha o nga tono, i runga i te tapeke o te utu ka eke te rereketanga ki te 100% (4,3 piriona i Mei me Hurae me te 8,2 piriona i Hune).
data_month_sum = data_month.groupby(['permit_creation_date']).sum().reindex(months)
Te heke mai o te umanga hangahanga o San Francisco, e matapae ana i nga mahi ma nga tauira.
Ka mutu, me whakatauritea te tūtohi mahi hanga i San Francisco me te tūtohi utu Bitcoin (2015-2018) me te tūtohi utu koura (1940 - 1980).
Tauira (mai i te tauira Ingarihi - tauira, tauira) - i roto i te tātaritanga hangarau, ka karangahia nga huinga tukurua o te utu, rōrahi, tohu tohu ranei. Ko te tātari tauira e ahu mai ana i tetahi o nga axioms o te tātari hangarau: "ka hoki ano te hitori" - e whakaponohia ana ko te whakakotahitanga o nga raraunga ka puta he hua rite.
Ko te tauira matua ka kitea i te tūtohi mahi a-tau ko He tauira whakamuri o te ia "Head and Shoulders". I whakaingoatia na te mea he rite te ahua o te tūtohi ki te mahunga tangata (te tihi) me nga pakihiwi ki nga taha (he iti ake nga tihi). Ina pakaru te utu i te raina e hono ana i nga waka, ka kiia te tauira kua oti, ka heke te nekehanga ki raro.
Ko nga nekehanga i roto i te mahi i roto i te ahumahi hangahanga o San Francisco tata tonu ki te piki ake o te utu o te koura me te bitcoin. Ko nga mahinga o mua o enei utu e toru me nga mahinga mahi e whakaatu ana i nga ahuatanga tino rite.
Kia taea ai e koe te matapae i te whanonga o te maakete hangahanga a meake nei, he mea tika ki te tatau i te whakarea hononga me ia o enei ahuatanga e rua.
E rua nga taurangi matapōkere ka kiia he hononga ki te mea he rereke to raua wa honohono (te whakarea whakarea ranei) ki te kore; a ka kiia ko te rahinga kore e hono ana mena he kore to ratou taima hono.
Mena he tata atu te uara hua ki te 0 ki te 1, karekau he take ki te korero mo te tauira maamaa. He rapanga pangarau uaua tenei, tera pea ka taea e nga hoa pakeke ake te aro ki tenei kaupapa.
Mena! kore pūtaiao! titiro ki te kaupapa o te whanaketanga atu o te ahumahi hanga i San Francisco: ki te haere tonu te tauira ki te utu o Bitcoin, na e ai ki tenei whiringa pessimistic — Ko te puta mai i te raru i roto i te umanga hangahanga i San Francisco e kore e ngawari i roto i nga wa o muri mai i te raru.
Ma te waahanga "he pai" ake te whanaketanga, ka taea te tipu haere tonu i roto i te umanga hanga mena ka whai nga mahi i konei i te ahuatanga "utu koura". I tenei keehi, i roto i nga tau 20-30 (kei te 10 pea), ka raru te waahanga hangahanga ki te pikinga hou o te mahi me te whanaketanga.
Ka ata titiro ahau ki nga waahanga hanga takitahi (te whakatikatika i nga tuanui, kihini, te hanga i nga arawhata, nga wharepaku, mena kei a koe etahi whakaaro mo nga umanga me etahi atu raraunga - tuhia ki roto i nga korero) me te whakataurite i te pikinga mo nga momo mahi takitahi. reiti whakapumau i runga i nga mokete taurewa me te whai hua o nga here a te kawanatanga US (Reeti Mokete Whakamau me te Putea Moni a te US).
Hononga ki te waahanga tuarua:
Hononga ki Jupyter Notebook:
Tena koa, mo te hunga kei te taha o Kaggle, hoatu te Pukatuhituhi he taapiri (Mauruuru!).
(Ko nga korero me nga whakamaramatanga o te waehere ka taapirihia i muri mai i te Pukatuhipoka)
Hononga ki te putanga Ingarihi:
Mena he pai ki a koe taku ihirangi, me whakaaro koe ki te hoko kawhe.
mihi mo to tautoko!
Ko nga kaiwhakamahi kua rehita anake ka uru ki te rangahau. tēnā.
He aha te mea kei te heke mai mo te umanga hangahanga o San Francisco?
-
66,7 orauKo te waahanga hangahanga ka kaha ake te whai i te huarahi o Bitcoin2
-
0,0 orauKa whai pea te rangai hangahanga i te ara o nga utu koura0
-
0,0 orauKei te tumanako te rängai i te whakamihi i roto i nga tau 10 e whai ake nei0
-
33,3 orauKo te whanaketanga o te rängai karekau e rite ki nga tauira1
3 nga kaiwhakamahi i pooti. 6 nga kaiwhakamahi i aukati.
Source: will.com