ΠΡΠ²ΠΈ ΠΊΠΎΡΠ°ΠΊ ΠΊΠ°Π΄Π° ΠΏΠΎΡΠ½Π΅ΡΠ΅ Π΄Π° ΡΠ°Π΄ΠΈΡΠ΅ ΡΠ° Π½ΠΎΠ²ΠΈΠΌ ΡΠΊΡΠΏΠΎΠΌ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° ΡΠ΅ΡΡΠ΅ Π΄Π° Π³Π° ΡΠ°Π·ΡΠΌΠ΅ΡΠ΅. ΠΠ° Π±ΠΈΡΡΠ΅ ΡΠΎ ΡΡΠ°Π΄ΠΈΠ»ΠΈ, ΠΏΠΎΡΡΠ΅Π±Π½ΠΎ ΡΠ΅, Π½Π° ΠΏΡΠΈΠΌΠ΅Ρ, Π΄Π° ΡΠ°Π·Π½Π°ΡΠ΅ ΠΎΠΏΡΠ΅Π³Π΅ Π²ΡΠ΅Π΄Π½ΠΎΡΡΠΈ βββΠΏΡΠΈΡ Π²Π°ΡΠ΅Π½ΠΈΡ ΠΎΠ΄ ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²ΠΈΡ , ΡΠΈΡ ΠΎΠ²Π΅ ΡΠΈΠΏΠΎΠ²Π΅, ΠΊΠ°ΠΎ ΠΈ Π΄Π° ΡΠ°Π·Π½Π°ΡΠ΅ Π±ΡΠΎΡ Π²ΡΠ΅Π΄Π½ΠΎΡΡΠΈ ΠΊΠΎΡΠ΅ Π½Π΅Π΄ΠΎΡΡΠ°ΡΡ.
ΠΠ°Π½Π΄Π°Ρ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ° Π½Π°ΠΌ ΠΏΡΡΠΆΠ° ΠΌΠ½ΠΎΠ³Π΅ ΠΊΠΎΡΠΈΡΠ½Π΅ Π°Π»Π°ΡΠ΅ Π·Π° ΠΎΠ±Π°Π²ΡΠ°ΡΠ΅ ΠΈΡΡΡΠ°ΠΆΠΈΠ²Π°ΡΠΊΠ΅ Π°Π½Π°Π»ΠΈΠ·Π΅ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° (ΠΠΠ). ΠΠ»ΠΈ ΠΏΡΠ΅ Π½Π΅Π³ΠΎ ΡΡΠΎ ΠΈΡ ΡΠΏΠΎΡΡΠ΅Π±ΠΈΡΠ΅, ΠΎΠ±ΠΈΡΠ½ΠΎ ΠΌΠΎΡΠ°ΡΠ΅ Π΄Π° ΠΏΠΎΡΠ½Π΅ΡΠ΅ ΡΠ° ΠΎΠΏΡΡΠΈΡΠΈΠΌ ΡΡΠ½ΠΊΡΠΈΡΠ°ΠΌΠ° ΠΊΠ°ΠΎ ΡΡΠΎ ΡΠ΅ Π΄Ρ.Π΄Π΅ΡΡΡΠΈΠ±Π΅(). ΠΠ΅ΡΡΡΠΈΠΌ, ΡΡΠ΅Π±Π° Π½Π°ΠΏΠΎΠΌΠ΅Π½ΡΡΠΈ Π΄Π° ΡΡ ΠΌΠΎΠ³ΡΡΠ½ΠΎΡΡΠΈ ΠΊΠΎΡΠ΅ ΠΏΡΡΠΆΠ°ΡΡ ΡΠ°ΠΊΠ²Π΅ ΡΡΠ½ΠΊΡΠΈΡΠ΅ ΠΎΠ³ΡΠ°Π½ΠΈΡΠ΅Π½Π΅, Π° ΠΏΠΎΡΠ΅ΡΠ½Π΅ ΡΠ°Π·Π΅ ΡΠ°Π΄Π° ΡΠ° Π±ΠΈΠ»ΠΎ ΠΊΠΎΡΠΈΠΌ ΡΠΊΡΠΏΠΎΠ²ΠΈΠΌΠ° ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° ΠΏΡΠΈΠ»ΠΈΠΊΠΎΠΌ ΠΈΠ·Π²ΠΎΡΠ΅ΡΠ° ΠΠΠ Π²ΡΠ»ΠΎ ΡΠ΅ΡΡΠΎ ΡΡ Π²Π΅ΠΎΠΌΠ° ΡΠ»ΠΈΡΠ½Π΅ ΡΠ΅Π΄Π½Π° Π΄ΡΡΠ³ΠΎΡ.
ΠΡΡΠΎΡ ΠΌΠ°ΡΠ΅ΡΠΈΡΠ°Π»Π° ΠΊΠΎΡΠΈ Π΄Π°Π½Π°Ρ ΠΎΠ±ΡΠ°Π²ΡΡΡΠ΅ΠΌΠΎ ΠΊΠ°ΠΆΠ΅ Π΄Π° Π½ΠΈΡΠ΅ ΡΡΠ±ΠΈΡΠ΅Ρ ΠΈΠ·Π²ΠΎΡΠ΅ΡΠ° ΡΠ°Π΄ΡΠΈ ΠΊΠΎΡΠ΅ ΡΠ΅ ΠΏΠΎΠ½Π°Π²ΡΠ°ΡΡ. ΠΠ°ΠΎ ΡΠ΅Π·ΡΠ»ΡΠ°Ρ ΡΠΎΠ³Π°, Ρ ΠΏΠΎΡΡΠ°Π·ΠΈ Π·Π° Π°Π»Π°ΡΠΈΠΌΠ° Π·Π° Π±ΡΠ·ΠΎ ΠΈ Π΅ΡΠΈΠΊΠ°ΡΠ½ΠΎ ΠΎΠ±Π°Π²ΡΠ°ΡΠ΅ ΠΈΡΡΡΠ°ΠΆΠΈΠ²Π°ΡΠΊΠ΅ Π°Π½Π°Π»ΠΈΠ·Π΅ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°, ΠΏΡΠΎΠ½Π°ΡΠ°ΠΎ ΡΠ΅ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΡ
ΠΠ²Π΄Π΅ ΡΠ΅ΠΌΠΎ ΠΏΠΎΠ³Π»Π΅Π΄Π°ΡΠΈ ΠΊΠ°ΡΠ°ΠΊΡΠ΅ΡΠΈΡΡΠΈΠΊΠ΅ ΠΊΠΎΡΠΈΡΡΠ΅ΡΠ° Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ΅ Π·Π° ΠΏΡΠΎΡΠΈΠ»ΠΈΡΠ°ΡΠ΅ ΠΏΠ°Π½Π΄Π° ΠΊΠΎΡΠΈΡΡΠ΅ΡΠΈ ΡΠΊΡΠΏ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° Π’ΠΈΡΠ°Π½ΠΈΡ ΠΊΠ°ΠΎ ΠΏΡΠΈΠΌΠ΅Ρ.
ΠΡΡΡΠ°ΠΆΠΈΠ²Π°ΡΠΊΠ° Π°Π½Π°Π»ΠΈΠ·Π° ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° ΠΏΠΎΠΌΠΎΡΡ ΠΏΠ°Π½Π΄ΠΈ
ΠΠ΄Π»ΡΡΠΈΠΎ ΡΠ°ΠΌ Π΄Π° Π΅ΠΊΡΠΏΠ΅ΡΠΈΠΌΠ΅Π½ΡΠΈΡΠ΅ΠΌ ΡΠ° ΠΏΡΠΎΡΠΈΠ»ΠΈΡΠ°ΡΠ΅ΠΌ ΠΏΠ°Π½Π΄ΠΈ Π½Π° ΡΠΊΡΠΏΡ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° Π’ΠΈΡΠ°Π½ΠΈΠΊΠ° Π·Π±ΠΎΠ³ ΡΠ°Π·Π»ΠΈΡΠΈΡΠΈΡ ΡΠΈΠΏΠΎΠ²Π° ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° ΠΊΠΎΡΠ΅ ΡΠ°Π΄ΡΠΆΠΈ ΠΈ ΠΏΡΠΈΡΡΡΡΠ²Π° Π²ΡΠ΅Π΄Π½ΠΎΡΡΠΈ ΠΊΠΎΡΠ΅ Π½Π΅Π΄ΠΎΡΡΠ°ΡΡ Ρ ΡΠ΅ΠΌΡ. ΠΠ΅ΡΡΡΠ΅ΠΌ Π΄Π° ΡΠ΅ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ° Π·Π° ΠΏΡΠΎΡΠΈΠ»ΠΈΡΠ°ΡΠ΅ ΠΏΠ°Π½Π΄Π° ΠΏΠΎΡΠ΅Π±Π½ΠΎ Π·Π°Π½ΠΈΠΌΡΠΈΠ²Π° Ρ ΡΠ»ΡΡΠ°ΡΠ΅Π²ΠΈΠΌΠ° ΠΊΠ°Π΄Π° ΠΏΠΎΠ΄Π°ΡΠΈ ΡΠΎΡ Π½ΠΈΡΡ ΠΎΡΠΈΡΡΠ΅Π½ΠΈ ΠΈ Π·Π°Ρ ΡΠ΅Π²Π° Π΄Π°ΡΡ ΠΎΠ±ΡΠ°Π΄Ρ Ρ Π·Π°Π²ΠΈΡΠ½ΠΎΡΡΠΈ ΠΎΠ΄ ΡΠ΅Π½ΠΈΡ ΠΊΠ°ΡΠ°ΠΊΡΠ΅ΡΠΈΡΡΠΈΠΊΠ°. ΠΠ° Π±ΠΈΡΡΠ΅ ΡΡΠΏΠ΅ΡΠ½ΠΎ ΠΈΠ·Π²ΡΡΠΈΠ»ΠΈ ΠΎΠ²Π°ΠΊΠ²Ρ ΠΎΠ±ΡΠ°Π΄Ρ, ΠΌΠΎΡΠ°ΡΠ΅ Π·Π½Π°ΡΠΈ ΠΎΠ΄Π°ΠΊΠ»Π΅ Π΄Π° ΠΏΠΎΡΠ½Π΅ΡΠ΅ ΠΈ Π½Π° ΡΡΠ° ΠΎΠ±ΡΠ°ΡΠΈΡΠΈ ΠΏΠ°ΠΆΡΡ. ΠΠ²Π΄Π΅ ΡΡ ΠΊΠΎΡΠΈΡΠ½Π΅ ΠΌΠΎΠ³ΡΡΠ½ΠΎΡΡΠΈ ΠΏΡΠΎΡΠΈΠ»ΠΈΡΠ°ΡΠ° ΠΏΠ°Π½Π΄ΠΈ.
ΠΡΠ²ΠΎ ΡΠ²ΠΎΠ·ΠΈΠΌΠΎ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅ ΠΈ ΠΊΠΎΡΠΈΡΡΠΈΠΌΠΎ ΠΏΠ°Π½Π΄Π΅ Π·Π° Π΄ΠΎΠ±ΠΈΡΠ°ΡΠ΅ Π΄Π΅ΡΠΊΡΠΈΠΏΡΠΈΠ²Π½Π΅ ΡΡΠ°ΡΠΈΡΡΠΈΠΊΠ΅:
# ΠΈΠΌΠΏΠΎΡΡ Π½Π΅ΠΎΠ±Ρ
ΠΎΠ΄ΠΈΠΌΡΡ
ΠΏΠ°ΠΊΠ΅ΡΠΎΠ²
import pandas as pd
import pandas_profiling
import numpy as np
# ΠΈΠΌΠΏΠΎΡΡ Π΄Π°Π½Π½ΡΡ
df = pd.read_csv('/Users/lukas/Downloads/titanic/train.csv')
# Π²ΡΡΠΈΡΠ»Π΅Π½ΠΈΠ΅ ΠΏΠΎΠΊΠ°Π·Π°ΡΠ΅Π»Π΅ΠΉ ΠΎΠΏΠΈΡΠ°ΡΠ΅Π»ΡΠ½ΠΎΠΉ ΡΡΠ°ΡΠΈΡΡΠΈΠΊΠΈ
df.describe()
ΠΠ°ΠΊΠΎΠ½ ΠΈΠ·Π²ΡΡΠ΅ΡΠ° ΠΎΠ²ΠΎΠ³ Π΄Π΅Π»Π° ΠΊΠΎΠ΄Π°, Π΄ΠΎΠ±ΠΈΡΠ΅ΡΠ΅ ΠΎΠ½ΠΎ ΡΡΠΎ ΡΠ΅ ΠΏΡΠΈΠΊΠ°Π·Π°Π½ΠΎ Π½Π° ΡΠ»Π΅Π΄Π΅ΡΠΎΡ ΡΠ»ΠΈΡΠΈ.
ΠΠ΅ΡΠΊΡΠΈΠΏΡΠΈΠ²Π½Π° ΡΡΠ°ΡΠΈΡΡΠΈΠΊΠ° Π΄ΠΎΠ±ΠΈΡΠ΅Π½Π° ΠΊΠΎΡΠΈΡΡΠ΅ΡΠ΅ΠΌ ΡΡΠ°Π½Π΄Π°ΡΠ΄Π½ΠΈΡ
ΠΏΠ°Π½Π΄Π° Π°Π»Π°ΡΠ°
ΠΠ°ΠΊΠΎ ΠΎΠ²Π΄Π΅ ΠΈΠΌΠ° Π΄ΠΎΡΡΠ° ΠΊΠΎΡΠΈΡΠ½ΠΈΡ
ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΡΠ°, Π½Π΅ ΡΠ°Π΄ΡΠΆΠΈ ΡΠ²Π΅ ΡΡΠΎ Π±ΠΈ Π±ΠΈΠ»ΠΎ Π·Π°Π½ΠΈΠΌΡΠΈΠ²ΠΎ Π·Π½Π°ΡΠΈ ΠΎ ΠΏΠΎΠ΄Π°ΡΠΈΠΌΠ° ΠΊΠΎΡΠΈ ΡΠ΅ ΠΏΡΠΎΡΡΠ°Π²Π°ΡΡ. ΠΠ° ΠΏΡΠΈΠΌΠ΅Ρ, ΠΌΠΎΠΆΠ΅ ΡΠ΅ ΠΏΡΠ΅ΡΠΏΠΎΡΡΠ°Π²ΠΈΡΠΈ Π΄Π° Ρ ΠΎΠΊΠ²ΠΈΡΡ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°, Ρ ΡΡΡΡΠΊΡΡΡΠΈ DataFrame
, ΠΈΠΌΠ° 891 Π»ΠΈΠ½ΠΈΡΠ°. ΠΠΊΠΎ ΠΎΠ²ΠΎ ΡΡΠ΅Π±Π° Π΄Π° ΡΠ΅ ΠΏΡΠΎΠ²Π΅ΡΠΈ, ΠΎΠ½Π΄Π° ΡΠ΅ ΠΏΠΎΡΡΠ΅Π±Π½Π° ΡΠΎΡ ΡΠ΅Π΄Π½Π° Π»ΠΈΠ½ΠΈΡΠ° ΠΊΠΎΠ΄Π° Π·Π° ΠΎΠ΄ΡΠ΅ΡΠΈΠ²Π°ΡΠ΅ Π²Π΅Π»ΠΈΡΠΈΠ½Π΅ ΠΎΠΊΠ²ΠΈΡΠ°. ΠΠ°ΠΊΠΎ ΠΎΠ²ΠΈ ΠΏΡΠΎΡΠ°ΡΡΠ½ΠΈ Π½ΠΈΡΡ ΠΏΠΎΡΠ΅Π±Π½ΠΎ ΠΈΠ½ΡΠ΅Π½Π·ΠΈΠ²Π½ΠΈ, ΡΠΈΡ
ΠΎΠ²ΠΎ ΡΡΠ°Π»Π½ΠΎ ΠΏΠΎΠ½Π°Π²ΡΠ°ΡΠ΅ ΡΠ΅ Π΄ΠΎΠ²Π΅ΡΡΠΈ Π΄ΠΎ Π³ΡΠ±ΠΈΡΠΊΠ° Π²ΡΠ΅ΠΌΠ΅Π½Π° ΠΊΠΎΡΠ΅ Π±ΠΈ Π²Π΅ΡΠΎΠ²Π°ΡΠ½ΠΎ Π±ΠΈΠ»ΠΎ Π±ΠΎΡΠ΅ ΠΏΠΎΡΡΠΎΡΠΈΡΠΈ Π½Π° ΡΠΈΡΡΠ΅ΡΠ΅ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°.
ΠΡΡΡΠ°ΠΆΠΈΠ²Π°ΡΠΊΠ° Π°Π½Π°Π»ΠΈΠ·Π° ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° ΠΏΠΎΠΌΠΎΡΡ ΠΏΡΠΎΡΠΈΠ»ΠΈΡΠ°ΡΠ° ΠΏΠ°Π½Π΄Π°
Π‘Π°Π΄Π° ΡΡΠ°Π΄ΠΈΠΌΠΎ ΠΈΡΡΠΎ ΠΊΠΎΡΠΈΡΡΠ΅ΡΠΈ ΠΏΠ°Π½Π΄Π°Ρ-ΠΏΡΠΎΡΠΈΠ»ΠΈΠ½Π³:
pandas_profiling.ProfileReport(df)
ΠΠ·Π²ΡΡΠ°Π²Π°ΡΠ΅ Π³ΠΎΡΡΠ΅ Π»ΠΈΠ½ΠΈΡΠ΅ ΠΊΠΎΠ΄Π° ΡΠ΅ Π³Π΅Π½Π΅ΡΠΈΡΠ°ΡΠΈ ΠΈΠ·Π²Π΅ΡΡΠ°Ρ ΡΠ° ΠΈΠ½Π΄ΠΈΠΊΠ°ΡΠΎΡΠΈΠΌΠ° ΠΈΡΡΡΠ°ΠΆΠΈΠ²Π°ΡΠΊΠ΅ Π°Π½Π°Π»ΠΈΠ·Π΅ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°. ΠΠΎΠ΄ ΠΏΡΠΈΠΊΠ°Π·Π°Π½ ΠΈΠ·Π½Π°Π΄ ΡΠ΅ ΠΏΡΠΈΠΊΠ°Π·Π°ΡΠΈ ΠΏΡΠΎΠ½Π°ΡΠ΅Π½Π΅ ΠΏΠΎΠ΄Π°ΡΠΊΠ΅, Π°Π»ΠΈ ΠΌΠΎΠΆΠ΅ΡΠ΅ Π³Π° Π½Π°ΡΠ΅ΡΠ°ΡΠΈ Π΄Π° ΠΈΡΠΏΠΈΡΡΡΠ΅ Π₯Π’ΠΠ Π΄Π°ΡΠΎΡΠ΅ΠΊΡ ΠΊΠΎΡΡ ΠΌΠΎΠΆΠ΅ΡΠ΅ Π½Π΅ΠΊΠΎΠΌΠ΅ ΠΏΠΎΠΊΠ°Π·Π°ΡΠΈ, Π½Π° ΠΏΡΠΈΠΌΠ΅Ρ.
ΠΡΠ²ΠΈ Π΄Π΅ΠΎ ΠΈΠ·Π²Π΅ΡΡΠ°ΡΠ° ΡΠ΅ ΡΠ°Π΄ΡΠΆΠ°ΡΠΈ ΠΎΠ΄Π΅ΡΠ°ΠΊ ΠΡΠ΅Π³Π»Π΅Π΄, ΠΊΠΎΡΠΈ Π΄Π°ΡΠ΅ ΠΎΡΠ½ΠΎΠ²Π½Π΅ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΡΠ΅ ΠΎ ΠΏΠΎΠ΄Π°ΡΠΈΠΌΠ° (Π±ΡΠΎΡ Π·Π°ΠΏΠ°ΠΆΠ°ΡΠ°, Π±ΡΠΎΡ Π²Π°ΡΠΈΡΠ°Π±Π»ΠΈ, ΠΈΡΠ΄.). Π’Π°ΠΊΠΎΡΠ΅ ΡΠ΅ ΡΠ°Π΄ΡΠΆΠ°ΡΠΈ Π»ΠΈΡΡΡ ΡΠΏΠΎΠ·ΠΎΡΠ΅ΡΠ°, ΠΎΠ±Π°Π²Π΅ΡΡΠ°Π²Π°ΡΡΡΠΈ Π°Π½Π°Π»ΠΈΡΠΈΡΠ°ΡΠ° ΠΎ ΡΡΠ²Π°ΡΠΈΠΌΠ° Π½Π° ΠΊΠΎΡΠ΅ ΡΡΠ΅Π±Π° ΠΎΠ±ΡΠ°ΡΠΈΡΠΈ ΠΏΠΎΡΠ΅Π±Π½Ρ ΠΏΠ°ΠΆΡΡ. ΠΠ²Π° ΡΠΏΠΎΠ·ΠΎΡΠ΅ΡΠ° ΠΌΠΎΠ³Ρ Π΄Π°ΡΠΈ Π½Π°Π·Π½Π°ΠΊΠ΅ ΠΎ ΡΠΎΠΌΠ΅ Π³Π΄Π΅ ΠΌΠΎΠΆΠ΅ΡΠ΅ Π΄Π° ΡΠΎΠΊΡΡΠΈΡΠ°ΡΠ΅ ΡΠ²ΠΎΡΠ΅ Π½Π°ΠΏΠΎΡΠ΅ Π·Π° ΡΠΈΡΡΠ΅ΡΠ΅ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°.
ΠΠ΄Π΅ΡΠ°ΠΊ ΠΈΠ·Π²Π΅ΡΡΠ°ΡΠ° ΠΎ ΠΏΡΠ΅Π³Π»Π΅Π΄Ρ
ΠΠ½Π°Π»ΠΈΠ·Π° ΠΈΡΡΡΠ°ΠΆΠΈΠ²Π°ΡΠΊΠ΅ Π²Π°ΡΠΈΡΠ°Π±Π»Π΅
ΠΡΠΏΠΎΠ΄ ΠΎΠ΄Π΅ΡΠΊΠ° ΠΡΠ΅Π³Π»Π΅Π΄ ΠΈΠ·Π²Π΅ΡΡΠ°ΡΠ° ΠΌΠΎΠΆΠ΅ΡΠ΅ ΠΏΡΠΎΠ½Π°ΡΠΈ ΠΊΠΎΡΠΈΡΠ½Π΅ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΡΠ΅ ΠΎ ΡΠ²Π°ΠΊΠΎΡ ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²ΠΎΡ. ΠΠ½ΠΈ ΡΠΊΡΡΡΡΡΡ, ΠΈΠ·ΠΌΠ΅ΡΡ ΠΎΡΡΠ°Π»ΠΎΠ³, ΠΌΠ°Π»Π΅ Π³ΡΠ°ΡΠΈΠΊΠΎΠ½Π΅ ΠΊΠΎΡΠΈ ΠΎΠΏΠΈΡΡΡΡ Π΄ΠΈΡΡΡΠΈΠ±ΡΡΠΈΡΡ ΡΠ²Π°ΠΊΠ΅ ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²Π΅.
Π Π½ΡΠΌΠ΅ΡΠΈΡΠΊΠΎΡ ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²ΠΎΡ ΡΡΠ°ΡΠΎΡΡΠΈ
ΠΠ°ΠΎ ΡΡΠΎ ΠΌΠΎΠΆΠ΅ΡΠ΅ Π²ΠΈΠ΄Π΅ΡΠΈ ΠΈΠ· ΠΏΡΠ΅ΡΡ
ΠΎΠ΄Π½ΠΎΠ³ ΠΏΡΠΈΠΌΠ΅ΡΠ°, ΠΏΠ°Π½Π΄Π°Ρ-ΠΏΡΠΎΡΠΈΠ»ΠΈΠ½Π³ Π½Π°ΠΌ Π΄Π°ΡΠ΅ Π½Π΅ΠΊΠΎΠ»ΠΈΠΊΠΎ ΠΊΠΎΡΠΈΡΠ½ΠΈΡ
ΠΈΠ½Π΄ΠΈΠΊΠ°ΡΠΎΡΠ°, ΠΊΠ°ΠΎ ΡΡΠΎ ΡΡ ΠΏΡΠΎΡΠ΅Π½Π°Ρ ΠΈ Π±ΡΠΎΡ Π²ΡΠ΅Π΄Π½ΠΎΡΡΠΈ ΠΊΠΎΡΠ΅ Π½Π΅Π΄ΠΎΡΡΠ°ΡΡ, ΠΊΠ°ΠΎ ΠΈ ΠΌΠ΅ΡΠ΅ Π΄Π΅ΡΠΊΡΠΈΠΏΡΠΈΠ²Π½Π΅ ΡΡΠ°ΡΠΈΡΡΠΈΠΊΠ΅ ΠΊΠΎΡΠ΅ ΡΠΌΠΎ Π²Π΅Ρ Π²ΠΈΠ΄Π΅Π»ΠΈ. ΠΠ΅Ρ Age
ΡΠ΅ Π½ΡΠΌΠ΅ΡΠΈΡΠΊΠ° Π²Π°ΡΠΈΡΠ°Π±Π»Π°, Π²ΠΈΠ·ΡΠ΅Π»ΠΈΠ·Π°ΡΠΈΡΠ° ΡΠ΅Π½Π΅ Π΄ΠΈΡΡΡΠΈΠ±ΡΡΠΈΡΠ΅ Ρ ΠΎΠ±Π»ΠΈΠΊΡ Ρ
ΠΈΡΡΠΎΠ³ΡΠ°ΠΌΠ° Π½Π°ΠΌ ΠΎΠΌΠΎΠ³ΡΡΠ°Π²Π° Π΄Π° Π·Π°ΠΊΡΡΡΠΈΠΌΠΎ Π΄Π° ΠΈΠΌΠ°ΠΌΠΎ Π΄ΠΈΡΡΡΠΈΠ±ΡΡΠΈΡΡ Π½Π°Π³Π½ΡΡΡ ΡΠ΄Π΅ΡΠ½ΠΎ.
ΠΠ°Π΄Π° ΡΠ΅ ΡΠ°Π·ΠΌΠ°ΡΡΠ° ΠΊΠ°ΡΠ΅Π³ΠΎΡΠΈΡΠΊΠ° ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²Π°, ΠΈΠ·Π»Π°Π·Π½ΠΈ ΡΠ΅Π·ΡΠ»ΡΠ°ΡΠΈ ΡΠ΅ ΠΌΠ°Π»ΠΎ ΡΠ°Π·Π»ΠΈΠΊΡΡΡ ΠΎΠ΄ ΠΎΠ½ΠΈΡ ΠΏΡΠΎΠ½Π°ΡΠ΅Π½ΠΈΡ Π·Π° Π½ΡΠΌΠ΅ΡΠΈΡΠΊΡ ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²Ρ.
Π ΠΊΠ°ΡΠ΅Π³ΠΎΡΠΈΡΠΊΠΎΡ Π²Π°ΡΠΈΡΠ°Π±Π»ΠΈ ΠΠΎΠ»
ΠΠ°ΠΈΠΌΠ΅, ΡΠΌΠ΅ΡΡΠΎ Π΄Π° ΠΏΡΠΎΠ½Π°ΡΠ΅ ΠΏΡΠΎΡΠ΅ΠΊ, ΠΌΠΈΠ½ΠΈΠΌΡΠΌ ΠΈ ΠΌΠ°ΠΊΡΠΈΠΌΡΠΌ, Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ° Π·Π° ΠΏΡΠΎΡΠΈΠ»ΠΈΡΠ°ΡΠ΅ ΠΏΠ°Π½Π΄Π° ΡΠ΅ ΠΏΡΠΎΠ½Π°ΡΠ»Π° Π±ΡΠΎΡ ΠΊΠ»Π°ΡΠ°. ΠΠ΅Ρ Sex
β Π±ΠΈΠ½Π°ΡΠ½Π° ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²Π°, ΡΠ΅Π½Π΅ Π²ΡΠ΅Π΄Π½ΠΎΡΡΠΈ ΡΡ ΠΏΡΠ΅Π΄ΡΡΠ°Π²ΡΠ΅Π½Π΅ Π΄Π²Π΅ΠΌΠ° ΠΊΠ»Π°ΡΠ°ΠΌΠ°.
ΠΠΊΠΎ Π²ΠΎΠ»ΠΈΡΠ΅ Π΄Π° ΠΈΡΠΏΠΈΡΡΡΠ΅ΡΠ΅ ΠΊΠΎΠ΄ ΠΊΠ°ΠΎ ΡΠ°, ΠΌΠΎΠΆΠ΄Π° ΡΠ΅ Π²Π°Ρ Π·Π°Π½ΠΈΠΌΠ°ΡΠΈ ΠΊΠ°ΠΊΠΎ ΡΠ°ΡΠ½ΠΎ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ° Π·Π° ΠΏΡΠΎΡΠΈΠ»ΠΈΡΠ°ΡΠ΅ ΠΏΠ°Π½Π΄Π° ΠΈΠ·ΡΠ°ΡΡΠ½Π°Π²Π° ΠΎΠ²Π΅ ΠΌΠ΅ΡΡΠΈΠΊΠ΅. Π‘Π°Π·Π½Π°ΡΠΈ ΠΎ ΠΎΠ²ΠΎΠΌΠ΅, Ρ ΠΎΠ±Π·ΠΈΡΠΎΠΌ Π΄Π° ΡΠ΅ ΠΊΠΎΠ΄ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ΅ ΠΎΡΠ²ΠΎΡΠ΅Π½ ΠΈ Π΄ΠΎΡΡΡΠΏΠ°Π½ Π½Π° ΠΠΈΡΠ₯ΡΠ±-Ρ, Π½ΠΈΡΠ΅ ΡΠ°ΠΊΠΎ ΡΠ΅ΡΠΊΠΎ. ΠΠΎΡΡΠΎ Π½ΠΈΡΠ°ΠΌ Π²Π΅Π»ΠΈΠΊΠΈ ΡΡΠ±ΠΈΡΠ΅Ρ ΠΊΠΎΡΠΈΡΡΠ΅ΡΠ° ΡΡΠ½ΠΈΡ
ΠΊΡΡΠΈΡΠ° Ρ ΡΠ²ΠΎΡΠΈΠΌ ΠΏΡΠΎΡΠ΅ΠΊΡΠΈΠΌΠ°, ΠΏΠΎΠ³Π»Π΅Π΄Π°ΠΎ ΡΠ°ΠΌ ΠΈΠ·Π²ΠΎΡΠ½ΠΈ ΠΊΠΎΠ΄ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ΅. ΠΠ° ΠΏΡΠΈΠΌΠ΅Ρ, ΠΎΠ²Π°ΠΊΠΎ ΠΈΠ·Π³Π»Π΅Π΄Π° ΠΌΠ΅Ρ
Π°Π½ΠΈΠ·Π°ΠΌ Π·Π° ΠΎΠ±ΡΠ°Π΄Ρ Π½ΡΠΌΠ΅ΡΠΈΡΠΊΠΈΡ
ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²ΠΈΡ
, ΠΏΡΠ΅Π΄ΡΡΠ°Π²ΡΠ΅Π½ ΡΡΠ½ΠΊΡΠΈΡΠΎΠΌ
def describe_numeric_1d(series, **kwargs):
"""Compute summary statistics of a numerical (`TYPE_NUM`) variable (a Series).
Also create histograms (mini an full) of its distribution.
Parameters
----------
series : Series
The variable to describe.
Returns
-------
Series
The description of the variable as a Series with index being stats keys.
"""
# Format a number as a percentage. For example 0.25 will be turned to 25%.
_percentile_format = "{:.0%}"
stats = dict()
stats['type'] = base.TYPE_NUM
stats['mean'] = series.mean()
stats['std'] = series.std()
stats['variance'] = series.var()
stats['min'] = series.min()
stats['max'] = series.max()
stats['range'] = stats['max'] - stats['min']
# To avoid to compute it several times
_series_no_na = series.dropna()
for percentile in np.array([0.05, 0.25, 0.5, 0.75, 0.95]):
# The dropna() is a workaround for https://github.com/pydata/pandas/issues/13098
stats[_percentile_format.format(percentile)] = _series_no_na.quantile(percentile)
stats['iqr'] = stats['75%'] - stats['25%']
stats['kurtosis'] = series.kurt()
stats['skewness'] = series.skew()
stats['sum'] = series.sum()
stats['mad'] = series.mad()
stats['cv'] = stats['std'] / stats['mean'] if stats['mean'] else np.NaN
stats['n_zeros'] = (len(series) - np.count_nonzero(series))
stats['p_zeros'] = stats['n_zeros'] * 1.0 / len(series)
# Histograms
stats['histogram'] = histogram(series, **kwargs)
stats['mini_histogram'] = mini_histogram(series, **kwargs)
return pd.Series(stats, name=series.name)
ΠΠ°ΠΊΠΎ ΠΎΠ²Π°Ρ Π΄Π΅ΠΎ ΠΊΠΎΠ΄Π° ΠΌΠΎΠΆΠ΅ ΠΈΠ·Π³Π»Π΅Π΄Π°ΡΠΈ ΠΏΡΠΈΠ»ΠΈΡΠ½ΠΎ Π²Π΅Π»ΠΈΠΊ ΠΈ ΡΠ»ΠΎΠΆΠ΅Π½, Π·Π°ΠΏΡΠ°Π²ΠΎ ΡΠ΅ Π²ΡΠ»ΠΎ ΡΠ΅Π΄Π½ΠΎΡΡΠ°Π²Π°Π½ Π·Π° ΡΠ°Π·ΡΠΌΠ΅Π²Π°ΡΠ΅. ΠΠΎΠ΅Π½ΡΠ° ΡΠ΅ Π΄Π° Ρ ΠΈΠ·Π²ΠΎΡΠ½ΠΎΠΌ ΠΊΠΎΠ΄Ρ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ΅ ΠΏΠΎΡΡΠΎΡΠΈ ΡΡΠ½ΠΊΡΠΈΡΠ° ΠΊΠΎΡΠ° ΠΎΠ΄ΡΠ΅ΡΡΡΠ΅ ΡΠΈΠΏΠΎΠ²Π΅ ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²ΠΈΡ
. ΠΠΊΠΎ ΡΠ΅ ΠΈΡΠΏΠΎΡΡΠ°Π²ΠΈ Π΄Π° ΡΠ΅ Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ° Π½Π°ΠΈΡΠ»Π° Π½Π° Π½ΡΠΌΠ΅ΡΠΈΡΠΊΡ ΠΏΡΠΎΠΌΠ΅Π½ΡΠΈΠ²Ρ, Π³ΠΎΡΡΠ° ΡΡΠ½ΠΊΡΠΈΡΠ° ΡΠ΅ ΠΏΡΠΎΠ½Π°ΡΠΈ ΠΌΠ΅ΡΡΠΈΠΊΡ ΠΊΠΎΡΡ ΡΠΌΠΎ Π³Π»Π΅Π΄Π°Π»ΠΈ. ΠΠ²Π° ΡΡΠ½ΠΊΡΠΈΡΠ° ΠΊΠΎΡΠΈΡΡΠΈ ΡΡΠ°Π½Π΄Π°ΡΠ΄Π½Π΅ ΠΏΠ°Π½Π΄Π°Ρ ΠΎΠΏΠ΅ΡΠ°ΡΠΈΡΠ΅ Π·Π° ΡΠ°Π΄ ΡΠ° ΠΎΠ±ΡΠ΅ΠΊΡΠΈΠΌΠ° ΡΠΈΠΏΠ° Series
, ΠΊΠ°ΠΎ series.mean()
. Π Π΅Π·ΡΠ»ΡΠ°ΡΠΈ ΠΏΡΠΎΡΠ°ΡΡΠ½Π° ΡΠ΅ ΡΡΠ²Π°ΡΡ Ρ ΡΠ΅ΡΠ½ΠΈΠΊΡ stats
. Π₯ΠΈΡΡΠΎΠ³ΡΠ°ΠΌΠΈ ΡΠ΅ Π³Π΅Π½Π΅ΡΠΈΡΡ ΠΊΠΎΡΠΈΡΡΠ΅ΡΠ΅ΠΌ ΠΏΡΠΈΠ»Π°Π³ΠΎΡΠ΅Π½Π΅ Π²Π΅ΡΠ·ΠΈΡΠ΅ ΡΡΠ½ΠΊΡΠΈΡΠ΅ matplotlib.pyplot.hist
. ΠΠ΄Π°ΠΏΡΠ°ΡΠΈΡΠ° ΠΈΠΌΠ° Π·Π° ΡΠΈΡ Π΄Π° ΠΎΠ±Π΅Π·Π±Π΅Π΄ΠΈ Π΄Π° ΡΡΠ½ΠΊΡΠΈΡΠ° ΠΌΠΎΠΆΠ΅ Π΄Π° ΡΠ°Π΄ΠΈ ΡΠ° ΡΠ°Π·Π»ΠΈΡΠΈΡΠΈΠΌ ΡΠΈΠΏΠΎΠ²ΠΈΠΌΠ° ΡΠΊΡΠΏΠΎΠ²Π° ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°.
ΠΡΠΎΡΡΠ΅Π½ΠΈ ΠΏΠΎΠΊΠ°Π·Π°ΡΠ΅ΡΠΈ ΠΊΠΎΡΠ΅Π»Π°ΡΠΈΡΠ΅ ΠΈ ΡΠ·ΠΎΡΡΠΈ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°
ΠΠ°ΠΊΠΎΠ½ ΡΠ΅Π·ΡΠ»ΡΠ°ΡΠ° Π°Π½Π°Π»ΠΈΠ·Π΅ Π²Π°ΡΠΈΡΠ°Π±Π»ΠΈ, ΠΏΠ°Π½Π΄Π°Ρ-ΠΏΡΠΎΡΠΈΠ»ΠΈΠ½Π³, Ρ ΠΎΠ΄Π΅ΡΠΊΡ ΠΠΎΡΠ΅Π»Π°ΡΠΈΡΠ΅, ΠΏΡΠΈΠΊΠ°Π·Π°ΡΠ΅ ΠΠΈΡΡΠΎΠ½ΠΎΠ²Π΅ ΠΈ Π‘ΠΏΠΈΡΠΌΠ°Π½ΠΎΠ²Π΅ ΠΊΠΎΡΠ΅Π»Π°ΡΠΈΠΎΠ½Π΅ ΠΌΠ°ΡΡΠΈΡΠ΅.
ΠΠΈΡΡΠΎΠ½ΠΎΠ²Π° ΠΊΠΎΡΠ΅Π»Π°ΡΠΈΠΎΠ½Π° ΠΌΠ°ΡΡΠΈΡΠ°
ΠΠΊΠΎ ΡΠ΅ ΠΏΠΎΡΡΠ΅Π±Π½ΠΎ, Ρ Π»ΠΈΠ½ΠΈΡΠΈ ΠΊΠΎΠ΄Π° ΠΊΠΎΡΠΈ ΠΏΠΎΠΊΡΠ΅ΡΠ΅ Π³Π΅Π½Π΅ΡΠΈΡΠ°ΡΠ΅ ΠΈΠ·Π²Π΅ΡΡΠ°ΡΠ° ΠΌΠΎΠΆΠ΅ΡΠ΅ ΠΏΠΎΠ΄Π΅ΡΠΈΡΠΈ ΠΈΠ½Π΄ΠΈΠΊΠ°ΡΠΎΡΠ΅ Π³ΡΠ°Π½ΠΈΡΠ½ΠΈΡ Π²ΡΠ΅Π΄Π½ΠΎΡΡΠΈ ΠΊΠΎΡΠ΅ ΡΠ΅ ΠΊΠΎΡΠΈΡΡΠ΅ ΠΏΡΠΈΠ»ΠΈΠΊΠΎΠΌ ΠΈΠ·ΡΠ°ΡΡΠ½Π°Π²Π°ΡΠ° ΠΊΠΎΡΠ΅Π»Π°ΡΠΈΡΠ΅. ΠΠ° ΡΠ°Ρ Π½Π°ΡΠΈΠ½ ΠΌΠΎΠΆΠ΅ΡΠ΅ ΠΎΠ΄ΡΠ΅Π΄ΠΈΡΠΈ ΠΊΠΎΡΠ° ΡΠ½Π°Π³Π° ΠΊΠΎΡΠ΅Π»Π°ΡΠΈΡΠ΅ ΡΠ΅ ΡΠΌΠ°ΡΡΠ° Π²Π°ΠΆΠ½ΠΎΠΌ Π·Π° Π²Π°ΡΡ Π°Π½Π°Π»ΠΈΠ·Ρ.
ΠΠΎΠ½Π°ΡΠ½ΠΎ, ΠΈΠ·Π²Π΅ΡΡΠ°Ρ ΠΎ ΠΏΡΠΎΡΠΈΠ»ΠΈΡΠ°ΡΡ ΠΏΠ°Π½Π΄Π°, Ρ ΠΎΠ΄Π΅ΡΠΊΡ Π£Π·ΠΎΡΠ°ΠΊ, ΠΏΡΠΈΠΊΠ°Π·ΡΡΠ΅, ΠΊΠ°ΠΎ ΠΏΡΠΈΠΌΠ΅Ρ, Π΄Π΅ΠΎ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° ΠΏΡΠ΅ΡΠ·Π΅Ρ ΡΠ° ΠΏΠΎΡΠ΅ΡΠΊΠ° ΡΠΊΡΠΏΠ° ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°. ΠΠ²Π°Ρ ΠΏΡΠΈΡΡΡΠΏ ΠΌΠΎΠΆΠ΅ Π΄ΠΎΠ²Π΅ΡΡΠΈ Π΄ΠΎ Π½Π΅ΠΏΡΠΈΡΠ°ΡΠ½ΠΈΡ ΠΈΠ·Π½Π΅Π½Π°ΡΠ΅ΡΠ°, ΡΠ΅Ρ ΠΏΡΠ²ΠΈΡ Π½Π΅ΠΊΠΎΠ»ΠΈΠΊΠΎ Π·Π°ΠΏΠ°ΠΆΠ°ΡΠ° ΠΌΠΎΠΆΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²ΡΠ°ΡΠΈ ΡΠ·ΠΎΡΠ°ΠΊ ΠΊΠΎΡΠΈ Π½Π΅ ΠΎΠ΄ΡΠ°ΠΆΠ°Π²Π° ΠΊΠ°ΡΠ°ΠΊΡΠ΅ΡΠΈΡΡΠΈΠΊΠ΅ ΡΠΈΡΠ°Π²ΠΎΠ³ ΡΠΊΡΠΏΠ° ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°.
ΠΠ΄Π΅ΡΠ°ΠΊ ΠΊΠΎΡΠΈ ΡΠ°Π΄ΡΠΆΠΈ ΡΠ·ΠΎΡΠΊΠ΅ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° ΠΊΠΎΡΠΈ ΡΠ΅ ΠΏΡΠΎΡΡΠ°Π²Π°ΡΡ
ΠΠ°ΠΎ ΡΠ΅Π·ΡΠ»ΡΠ°Ρ ΡΠΎΠ³Π°, Π½Π΅ ΠΏΡΠ΅ΠΏΠΎΡΡΡΡΡΠ΅ΠΌ ΠΎΠ±ΡΠ°ΡΠ°ΡΠ΅ ΠΏΠ°ΠΆΡΠ΅ Π½Π° ΠΎΠ²Π°Ρ ΠΏΠΎΡΠ»Π΅Π΄ΡΠΈ ΠΎΠ΄Π΅ΡΠ°ΠΊ. Π£ΠΌΠ΅ΡΡΠΎ ΡΠΎΠ³Π°, Π±ΠΎΡΠ΅ ΡΠ΅ ΠΊΠΎΡΠΈΡΡΠΈΡΠΈ ΠΊΠΎΠΌΠ°Π½Π΄Ρ df.sample(5)
, ΠΊΠΎΡΠΈ ΡΠ΅ Π½Π°ΡΡΠΌΠΈΡΠ½ΠΎ ΠΈΠ·Π°Π±ΡΠ°ΡΠΈ 5 Π·Π°ΠΏΠ°ΠΆΠ°ΡΠ° ΠΈΠ· ΡΠΊΡΠΏΠ° ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°.
Π Π΅Π·ΡΠ»ΡΠ°ΡΠΈ
ΠΠ° ΡΠ΅Π·ΠΈΠΌΠΈΡΠ°ΠΌΠΎ, Π±ΠΈΠ±Π»ΠΈΠΎΡΠ΅ΠΊΠ° Π·Π° ΠΏΡΠΎΡΠΈΠ»ΠΈΡΠ°ΡΠ΅ ΠΏΠ°Π½Π΄Π° Π΄Π°ΡΠ΅ Π°Π½Π°Π»ΠΈΡΠΈΡΠ°ΡΡ Π½Π΅ΠΊΠ΅ ΠΊΠΎΡΠΈΡΠ½Π΅ ΠΌΠΎΠ³ΡΡΠ½ΠΎΡΡΠΈ ΠΊΠΎΡΠ΅ ΡΠ΅ Π²Π°ΠΌ Π΄ΠΎΠ±ΡΠΎ Π΄ΠΎΡΠΈ Ρ ΡΠ»ΡΡΠ°ΡΠ΅Π²ΠΈΠΌΠ° ΠΊΠ°Π΄Π° ΠΌΠΎΡΠ°ΡΠ΅ Π±ΡΠ·ΠΎ Π΄Π° ΡΡΠ΅ΠΊΠ½Π΅ΡΠ΅ Π³ΡΡΠ±Ρ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Ρ ΠΎ ΠΏΠΎΠ΄Π°ΡΠΈΠΌΠ° ΠΈΠ»ΠΈ Π½Π΅ΠΊΠΎΠΌΠ΅ ΠΏΡΠΎΡΠ»Π΅Π΄ΠΈΡΠ΅ ΠΈΠ·Π²Π΅ΡΡΠ°Ρ ΠΎ Π°Π½Π°Π»ΠΈΠ·ΠΈ ΠΎΠ±Π°Π²Π΅ΡΡΠ°ΡΠ½ΠΈΡ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°. ΠΡΡΠΎΠ²ΡΠ΅ΠΌΠ΅Π½ΠΎ, ΠΏΡΠ°Π²ΠΈ ΡΠ°Π΄ ΡΠ° ΠΏΠΎΠ΄Π°ΡΠΈΠΌΠ°, ΡΠ·ΠΈΠΌΠ°ΡΡΡΠΈ Ρ ΠΎΠ±Π·ΠΈΡ ΡΠ΅Π³ΠΎΠ²Π΅ ΠΊΠ°ΡΠ°ΠΊΡΠ΅ΡΠΈΡΡΠΈΠΊΠ΅, ΠΎΠ±Π°Π²ΡΠ° ΡΠ΅, ΠΊΠ°ΠΎ Π±Π΅Π· ΡΠΏΠΎΡΡΠ΅Π±Π΅ ΠΏΠ°Π½Π΄Π°-ΠΏΡΠΎΡΠΈΠ»ΠΈΡΠ°ΡΠ°, ΡΡΡΠ½ΠΎ.
ΠΠΊΠΎ ΠΆΠ΅Π»ΠΈΡΠ΅ Π΄Π° ΠΏΠΎΠ³Π»Π΅Π΄Π°ΡΠ΅ ΠΊΠ°ΠΊΠΎ ΡΠ²Π΅ Π°Π½Π°Π»ΠΈΠ·Π΅ ΠΎΠ±Π°Π²Π΅ΡΡΠ°ΡΠ½ΠΈΡ
ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ° ΠΈΠ·Π³Π»Π΅Π΄Π°ΡΡ Ρ ΡΠ΅Π΄Π½ΠΎΡ ΠΡΠΏΠΈΡΠ΅Ρ Π±Π΅Π»Π΅ΠΆΠ½ΠΈΡΠΈ, ΠΏΠΎΠ³Π»Π΅Π΄Π°ΡΡΠ΅
ΠΡΠ°Π³ΠΈ ΡΠΈΡΠ°ΠΎΡΠΈ! ΠΠ΄Π΅ ΠΏΠΎΡΠΈΡΠ΅ΡΠ΅ Π΄Π° Π°Π½Π°Π»ΠΈΠ·ΠΈΡΠ°ΡΠ΅ Π½ΠΎΠ²Π΅ ΡΠΊΡΠΏΠΎΠ²Π΅ ΠΏΠΎΠ΄Π°ΡΠ°ΠΊΠ°?
ΠΠ·Π²ΠΎΡ: Π²Π²Π².Ρ
Π°Π±Ρ.ΡΠΎΠΌ