{ "cells": [ { "cell_type": "markdown", "metadata": {}, "source": [ "# Housing Market" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Introduction:\n", "\n", "This time we will create our own dataset with fictional numbers to describe a house market. As we are going to create random data don't try to reason of the numbers.\n", "\n", "### Step 1. Import the necessary libraries" ] }, { "cell_type": "code", "execution_count": 1, "metadata": { "collapsed": false }, "outputs": [], "source": [ "import pandas as pd\n", "import numpy as np" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Step 2. Create 3 differents Series, each of length 100, as follows: \n", "1. The first a random number from 1 to 4 \n", "2. The second a random number from 1 to 3\n", "3. The third a random number from 10,000 to 30,000" ] }, { "cell_type": "code", "execution_count": 28, "metadata": { "collapsed": false }, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "0 2\n", "1 2\n", "2 4\n", "3 2\n", "4 1\n", "5 1\n", "6 2\n", "7 3\n", "8 3\n", "9 2\n", "10 1\n", "11 2\n", "12 4\n", "13 1\n", "14 2\n", "15 3\n", "16 4\n", "17 4\n", "18 4\n", "19 3\n", "20 2\n", "21 1\n", "22 4\n", "23 1\n", "24 3\n", "25 2\n", "26 3\n", "27 1\n", "28 3\n", "29 4\n", " ..\n", "70 4\n", "71 2\n", "72 2\n", "73 4\n", "74 2\n", "75 1\n", "76 2\n", "77 4\n", "78 3\n", "79 2\n", "80 2\n", "81 2\n", "82 4\n", "83 2\n", "84 2\n", "85 2\n", "86 1\n", "87 3\n", "88 1\n", "89 1\n", "90 1\n", "91 3\n", "92 1\n", "93 2\n", "94 3\n", "95 4\n", "96 4\n", "97 2\n", "98 1\n", "99 3\n", "dtype: int64 0 2\n", "1 3\n", "2 2\n", "3 3\n", "4 3\n", "5 1\n", "6 2\n", "7 1\n", "8 2\n", "9 2\n", "10 2\n", "11 3\n", "12 3\n", "13 1\n", "14 3\n", "15 3\n", "16 3\n", "17 1\n", "18 3\n", "19 3\n", "20 3\n", "21 3\n", "22 1\n", "23 2\n", "24 3\n", "25 2\n", "26 2\n", "27 1\n", "28 3\n", "29 3\n", " ..\n", "70 3\n", "71 2\n", "72 2\n", "73 2\n", "74 3\n", "75 2\n", "76 3\n", "77 1\n", "78 1\n", "79 1\n", "80 2\n", "81 1\n", "82 1\n", "83 3\n", "84 1\n", "85 3\n", "86 1\n", "87 2\n", "88 3\n", "89 2\n", "90 2\n", "91 3\n", "92 2\n", "93 2\n", "94 2\n", "95 2\n", "96 2\n", "97 3\n", "98 1\n", "99 1\n", "dtype: int64 0 16957\n", "1 24571\n", "2 28303\n", "3 14153\n", "4 23445\n", "5 21444\n", "6 16179\n", "7 22696\n", "8 18595\n", "9 27145\n", "10 14406\n", "11 15011\n", "12 17444\n", "13 26236\n", "14 23808\n", "15 21417\n", "16 15079\n", "17 13100\n", "18 21470\n", "19 17082\n", "20 21935\n", "21 26770\n", "22 10059\n", "23 11095\n", "24 25916\n", "25 17137\n", "26 22023\n", "27 21612\n", "28 11446\n", "29 29281\n", " ... \n", "70 23963\n", "71 26782\n", "72 11199\n", "73 23600\n", "74 26935\n", "75 27365\n", "76 23084\n", "77 19052\n", "78 19922\n", "79 17088\n", "80 25468\n", "81 10924\n", "82 10243\n", "83 19834\n", "84 21288\n", "85 22410\n", "86 22348\n", "87 18812\n", "88 29522\n", "89 20838\n", "90 28695\n", "91 23000\n", "92 21684\n", "93 26316\n", "94 10866\n", "95 12337\n", "96 13480\n", "97 25158\n", "98 25585\n", "99 26142\n", "dtype: int64\n" ] } ], "source": [] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Step 3. Let's create a DataFrame by joinning the Series by column" ] }, { "cell_type": "code", "execution_count": 29, "metadata": { "collapsed": false }, "outputs": [ { "data": { "text/html": [ "
\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
012
02216957
12324571
24228303
32314153
41323445
\n", "
" ], "text/plain": [ " 0 1 2\n", "0 2 2 16957\n", "1 2 3 24571\n", "2 4 2 28303\n", "3 2 3 14153\n", "4 1 3 23445" ] }, "execution_count": 29, "metadata": {}, "output_type": "execute_result" } ], "source": [] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Step 4. Change the name of the columns to bedrs, bathrs, price_sqr_meter" ] }, { "cell_type": "code", "execution_count": 36, "metadata": { "collapsed": false }, "outputs": [ { "data": { "text/html": [ "
\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
bedrsbathrsprice_sqr_meter
02216957
12324571
24228303
32314153
41323445
\n", "
" ], "text/plain": [ " bedrs bathrs price_sqr_meter\n", "0 2 2 16957\n", "1 2 3 24571\n", "2 4 2 28303\n", "3 2 3 14153\n", "4 1 3 23445" ] }, "execution_count": 36, "metadata": {}, "output_type": "execute_result" } ], "source": [] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Step 5. Create a one column DataFrame with the values of the 3 Series and assign it to 'bigcolumn'" ] }, { "cell_type": "code", "execution_count": 59, "metadata": { "collapsed": false }, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "\n" ] }, { "data": { "text/html": [ "
\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
0
02
12
24
32
41
51
62
73
83
92
101
112
124
131
142
153
164
174
184
193
202
211
224
231
243
252
263
271
283
294
......
7023963
7126782
7211199
7323600
7426935
7527365
7623084
7719052
7819922
7917088
8025468
8110924
8210243
8319834
8421288
8522410
8622348
8718812
8829522
8920838
9028695
9123000
9221684
9326316
9410866
9512337
9613480
9725158
9825585
9926142
\n", "

300 rows × 1 columns

\n", "
" ], "text/plain": [ " 0\n", "0 2\n", "1 2\n", "2 4\n", "3 2\n", "4 1\n", "5 1\n", "6 2\n", "7 3\n", "8 3\n", "9 2\n", "10 1\n", "11 2\n", "12 4\n", "13 1\n", "14 2\n", "15 3\n", "16 4\n", "17 4\n", "18 4\n", "19 3\n", "20 2\n", "21 1\n", "22 4\n", "23 1\n", "24 3\n", "25 2\n", "26 3\n", "27 1\n", "28 3\n", "29 4\n", ".. ...\n", "70 23963\n", "71 26782\n", "72 11199\n", "73 23600\n", "74 26935\n", "75 27365\n", "76 23084\n", "77 19052\n", "78 19922\n", "79 17088\n", "80 25468\n", "81 10924\n", "82 10243\n", "83 19834\n", "84 21288\n", "85 22410\n", "86 22348\n", "87 18812\n", "88 29522\n", "89 20838\n", "90 28695\n", "91 23000\n", "92 21684\n", "93 26316\n", "94 10866\n", "95 12337\n", "96 13480\n", "97 25158\n", "98 25585\n", "99 26142\n", "\n", "[300 rows x 1 columns]" ] }, "execution_count": 59, "metadata": {}, "output_type": "execute_result" } ], "source": [] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Step 6. Ops it seems it is going only until index 99. Is it true?" ] }, { "cell_type": "code", "execution_count": 45, "metadata": { "collapsed": false }, "outputs": [ { "data": { "text/plain": [ "300" ] }, "execution_count": 45, "metadata": {}, "output_type": "execute_result" } ], "source": [ "\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Step 7. Reindex the DataFrame so it goes from 0 to 299" ] }, { "cell_type": "code", "execution_count": 69, "metadata": { "collapsed": false }, "outputs": [ { "data": { "text/html": [ "
\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
0
02
12
24
32
41
51
62
73
83
92
101
112
124
131
142
153
164
174
184
193
202
211
224
231
243
252
263
271
283
294
......
27023963
27126782
27211199
27323600
27426935
27527365
27623084
27719052
27819922
27917088
28025468
28110924
28210243
28319834
28421288
28522410
28622348
28718812
28829522
28920838
29028695
29123000
29221684
29326316
29410866
29512337
29613480
29725158
29825585
29926142
\n", "

300 rows × 1 columns

\n", "
" ], "text/plain": [ " 0\n", "0 2\n", "1 2\n", "2 4\n", "3 2\n", "4 1\n", "5 1\n", "6 2\n", "7 3\n", "8 3\n", "9 2\n", "10 1\n", "11 2\n", "12 4\n", "13 1\n", "14 2\n", "15 3\n", "16 4\n", "17 4\n", "18 4\n", "19 3\n", "20 2\n", "21 1\n", "22 4\n", "23 1\n", "24 3\n", "25 2\n", "26 3\n", "27 1\n", "28 3\n", "29 4\n", ".. ...\n", "270 23963\n", "271 26782\n", "272 11199\n", "273 23600\n", "274 26935\n", "275 27365\n", "276 23084\n", "277 19052\n", "278 19922\n", "279 17088\n", "280 25468\n", "281 10924\n", "282 10243\n", "283 19834\n", "284 21288\n", "285 22410\n", "286 22348\n", "287 18812\n", "288 29522\n", "289 20838\n", "290 28695\n", "291 23000\n", "292 21684\n", "293 26316\n", "294 10866\n", "295 12337\n", "296 13480\n", "297 25158\n", "298 25585\n", "299 26142\n", "\n", "[300 rows x 1 columns]" ] }, "execution_count": 69, "metadata": {}, "output_type": "execute_result" } ], "source": [] } ], "metadata": { "kernelspec": { "display_name": "Python 2", "language": "python", "name": "python2" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 2 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython2", "version": "2.7.11" } }, "nbformat": 4, "nbformat_minor": 0 }