02_Pandas_Lsg.ipynb

{"metadata":{"kernelspec":{"display_name":"Python 3","language":"python","name":"python3"},"language_info":{"codemirror_mode":{"name":"ipython","version":3},"file_extension":".py","mimetype":"text/x-python","name":"python","nbconvert_exporter":"python","pygments_lexer":"ipython3","version":"3.7.10"}},"nbformat_minor":4,"nbformat":4,"cells":[{"cell_type":"markdown","source":"# Pandas\n\n## 0. Überblick\nIn diesem Skript geht es darum, den Umgang mit dem pandas-Modul in Python. Nach dem Durcharbeiten dieses Skripts solltest du folgendes gelernt haben:\n\n> - Pandas Tabelle basierend auf Listen und Dateien laden\n> - Gezielt Spalten (Columns) von Pandas-Tabellen abrufen\n> - Pandas Tabellen mit Bedingungen filtern\n> - Pandas Tabellen gruppieren und summarieren","metadata":{}},{"cell_type":"markdown","source":"## 1. Pandas Laden und Tabelle erstellen\n\n**Pandas** ist eine sogenannte Library (Bibliothek). Wir müssen diese Bibliothek zuerst laden, bevor wir sie verwenden können. Das passiert mit dem Code `import pandas`. Damit wir nicht immer den Schlüsselbegriff `pandas` eintippen müssen, können wir der Bibliothek auch ein Kürzel geben. Wir geben der Bibliothek das Kürzel **pd** und zwar mit dem Code `import pandas as pd`. \n\n> 1. Führe die nächste Code-Zeile `pd` aus. Sie wird zu einem Fehler führen, da der Begriff pd noch nicht definiert ist.\n> 2. Führe danach `import pandas as pd` aus.\n> 3. Wenn du nun nochmals die Code-Zeile `pd` ausführst, sollte der Ort angezeigt werden, von welchem die Bibliothek geladen wurde.","metadata":{}},{"cell_type":"code","source":"","metadata":{"trusted":true},"execution_count":null,"outputs":[]},{"cell_type":"code","source":"import pandas as pd","metadata":{"trusted":true},"execution_count":1,"outputs":[]},{"cell_type":"markdown","source":"Nun wollen wir eine erste Tabelle mit Pandas erstellen. In der Pandas-Sprache ist dies ein **DataFrame**. Wir können eine Tabelle aus Listen erstellen oder direkt ein Dokument einlesen.\n\n**Pandas DataFrame aus Listen**\n\nGrundsätzlich erzeugt der befehl `pd.DataFrame()` eine leere Tabelle. Dabei ist `pd` das Kürzel für die Bibliothek und `.DataFrame()` der Befehl um eine Tabelle zu erstellen. Die Tabelle ist leer, weil in den Klammern auch nichts steht.\n\nDamit eine nicht leere Tabelle entsteht müssen wir in den Klammern ein sogenanntes Argument mitgeben. Pandas erkennt dabei Listen in Listen als Tabellen.\n\n> 1. Führe die folgende Code-Zeile aus und versuche sie nachzuvollziehen.\n> 2. Wie du sehen wirst, hat die Tabelle nun die Rows (Zeilen) und die Columns (Spalten) mit einem Index durchnummeriert. Wenn wir den Columns Namen geben möchten, können wir diese als Liste mitgeben. Ersetze das Argument in den Klammern mit dem Befehl `table, columns=[\"a\", \"b\", \"c\"]` und führe die Zelle nochmals aus. Siehst du den Unterschied und kannst ihn nachvollziehen?","metadata":{}},{"cell_type":"code","source":"table = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]\n\ndf_1 = pd.DataFrame(table, columns=[\"a\", \"b\", \"c\"])\n\ndf_1","metadata":{"trusted":true},"execution_count":2,"outputs":[{"execution_count":2,"output_type":"execute_result","data":{"text/plain":"   a  b  c\n0  1  2  3\n1  4  5  6\n2  7  8  9","text/html":"<div>\n<style scoped>\n    .dataframe tbody tr th:only-of-type {\n        vertical-align: middle;\n    }\n\n    .dataframe tbody tr th {\n        vertical-align: top;\n    }\n\n    .dataframe thead th {\n        text-align: right;\n    }\n</style>\n<table border=\"1\" class=\"dataframe\">\n  <thead>\n    <tr style=\"text-align: right;\">\n      <th></th>\n      <th>a</th>\n      <th>b</th>\n      <th>c</th>\n    </tr>\n  </thead>\n  <tbody>\n    <tr>\n      <th>0</th>\n      <td>1</td>\n      <td>2</td>\n      <td>3</td>\n    </tr>\n    <tr>\n      <th>1</th>\n      <td>4</td>\n      <td>5</td>\n      <td>6</td>\n    </tr>\n    <tr>\n      <th>2</th>\n      <td>7</td>\n      <td>8</td>\n      <td>9</td>\n    </tr>\n  </tbody>\n</table>\n</div>"},"metadata":{}}]},{"cell_type":"markdown","source":"**Pandas DataFrame aus Dokumenten**\n \nOf wollen wir jedoch nicht mühselig Listen aus Listen erstellen, sondern Dokumente direkt einlesen. Wir verwenden das Dokument unter dieser URL: https://raw.githubusercontent.com/rashida048/Datasets/master/home_data.csv\n\n> 1. Öffne die URL in deinem Browser und schau dir die Quelldatei an.\n> 2. Der Befehl `pd.read_csv(url)` erstellt ein DataFrame aus einem Dokument. Dabei erkennt Pandas meistens automatisch, wie die Tabelle aufgebaut ist und verwendet die erste Zeile als Titel der Columns. Nutze nun die nächste Zelle um der Variable `df_2` ein DataFrame mit dem Inhalt der Tabelle unter der angegebenen URL zuzuweisen. Lasse dir die Variable im Anschluss anzeigen.\n>> *Tipp 1: Die URL muss als String ausgegeben werden.*\n>>\n>> *Tipp 2: Um das DataFrame anzuschauen kannst du einfach die Variable `df_2` am Ende der Codezelle platzieren.*","metadata":{}},{"cell_type":"code","source":"df_2 = pd.read_csv('https://raw.githubusercontent.com/rashida048/Datasets/master/home_data.csv')","metadata":{"trusted":true},"execution_count":3,"outputs":[]},{"cell_type":"markdown","source":"Gratulation. Das von dir geladene Datenset ist ein bekanntes Trainingsdatenset. Es enthält über 21 Tausend Einträge (Rows), von welchen jeder für ein Haus in der USA steht. Wir werden uns diesen Datensatz im Laufe dieser Übung genauer anschauen.","metadata":{}},{"cell_type":"markdown","source":"## 2. Auf Columns zugreifen\nWir haben erfolgreich die Variablen `df_1` und `df_2` mit DataFrames befüllt. Nun wollen wir mit diesen aber auch interageiren. Als erstes wollen wir bestimmte Columns auswählen.\n\nPandas orientiert sich an der Notation von Listen. Mit den eckigen Klammern **[ ]** können eine oder mehrere Columns selektiert werden. Zum Beispiel könnte die Column *my_column* von der Tabelle *my_table* mit dem Befehl `my_table[\"my_column\"]` abgerufen werden.\n\n> 1. Führe die nächste Code-Zeile aus und lasse dir die Spaltentitel der Tabelle df_2 anzeigen.","metadata":{}},{"cell_type":"code","source":"df_2.columns","metadata":{"trusted":true},"execution_count":4,"outputs":[{"execution_count":4,"output_type":"execute_result","data":{"text/plain":"Index(['id', 'date', 'price', 'bedrooms', 'bathrooms', 'sqft_living',\n       'sqft_lot', 'floors', 'waterfront', 'view', 'condition', 'grade',\n       'sqft_above', 'sqft_basement', 'yr_built', 'yr_renovated', 'zipcode',\n       'lat', 'long', 'sqft_living15', 'sqft_lot15'],\n      dtype='object')"},"metadata":{}}]},{"cell_type":"markdown","source":"> 2. Lasse dir nun in der nächsten Code-Zeile die Column mit den Badezimmern des `df_2` anzeigen.","metadata":{}},{"cell_type":"code","source":"df_2['bathrooms']","metadata":{"trusted":true},"execution_count":5,"outputs":[{"execution_count":5,"output_type":"execute_result","data":{"text/plain":"0        1.00\n1        2.25\n2        1.00\n3        3.00\n4        2.00\n         ... \n21608    2.50\n21609    2.50\n21610    0.75\n21611    2.50\n21612    0.75\nName: bathrooms, Length: 21613, dtype: float64"},"metadata":{}}]},{"cell_type":"markdown","source":"Um mehrere Columns auszuwählen kann den Eckigen Klammern eine Liste übergeben werden. So können zum Beispiel die Columns *my_column_1* und *my_column_2* von der Tabelle *my_table* mit dem Befehl `my_table[[\"my_column_1\", \"my_column_2\"]]` abgerufen werden.\n\n> 3. Lasse dir in der nächsten Zelle die zwei Columns für Schlafzimmer und Badezimmer aus der Tabelle `df_2` anzeigen.","metadata":{}},{"cell_type":"code","source":"df_2[['bedrooms', 'bathrooms']]","metadata":{"trusted":true},"execution_count":6,"outputs":[{"execution_count":6,"output_type":"execute_result","data":{"text/plain":"       bedrooms  bathrooms\n0             3       1.00\n1             3       2.25\n2             2       1.00\n3             4       3.00\n4             3       2.00\n...         ...        ...\n21608         3       2.50\n21609         4       2.50\n21610         2       0.75\n21611         3       2.50\n21612         2       0.75\n\n[21613 rows x 2 columns]","text/html":"<div>\n<style scoped>\n    .dataframe tbody tr th:only-of-type {\n        vertical-align: middle;\n    }\n\n    .dataframe tbody tr th {\n        vertical-align: top;\n    }\n\n    .dataframe thead th {\n        text-align: right;\n    }\n</style>\n<table border=\"1\" class=\"dataframe\">\n  <thead>\n    <tr style=\"text-align: right;\">\n      <th></th>\n      <th>bedrooms</th>\n      <th>bathrooms</th>\n    </tr>\n  </thead>\n  <tbody>\n    <tr>\n      <th>0</th>\n      <td>3</td>\n      <td>1.00</td>\n    </tr>\n    <tr>\n      <th>1</th>\n      <td>3</td>\n      <td>2.25</td>\n    </tr>\n    <tr>\n      <th>2</th>\n      <td>2</td>\n      <td>1.00</td>\n    </tr>\n    <tr>\n      <th>3</th>\n      <td>4</td>\n      <td>3.00</td>\n    </tr>\n    <tr>\n      <th>4</th>\n      <td>3</td>\n      <td>2.00</td>\n    </tr>\n    <tr>\n      <th>...</th>\n      <td>...</td>\n      <td>...</td>\n    </tr>\n    <tr>\n      <th>21608</th>\n      <td>3</td>\n      <td>2.50</td>\n    </tr>\n    <tr>\n      <th>21609</th>\n      <td>4</td>\n      <td>2.50</td>\n    </tr>\n    <tr>\n      <th>21610</th>\n      <td>2</td>\n      <td>0.75</td>\n    </tr>\n    <tr>\n      <th>21611</th>\n      <td>3</td>\n      <td>2.50</td>\n    </tr>\n    <tr>\n      <th>21612</th>\n      <td>2</td>\n      <td>0.75</td>\n    </tr>\n  </tbody>\n</table>\n<p>21613 rows × 2 columns</p>\n</div>"},"metadata":{}}]},{"cell_type":"markdown","source":"Eine Column kann auch überschrieben oder neu erstellt werden. So überschreibt der Befehl\n\n`my_df['my_column'] = 4`\n\nAlle Einträge der Column `my_column` im DataFrame `my_df` mit dem Wert `4`. Wenn die Column `my_column` noch nicht existiert, dann wird sie neu erstellt.\n\n> 1. Erstelle im `df_2` eine neue Column mit dem namen `total_rooms`, welche die Anzahl Schlafzimmer und Badezimmer zusammenzählt. Lasse dir im Anschluss die Columns `total_rooms`, `bedrooms` und `bathrooms` anzeigen, um dein Ergebnis zu überprüfen.","metadata":{}},{"cell_type":"code","source":"df_2['total_rooms'] = df_2['bedrooms'] + df_2['bathrooms']\ndf_2['total_rooms']","metadata":{"trusted":true},"execution_count":7,"outputs":[{"execution_count":7,"output_type":"execute_result","data":{"text/plain":"0        4.00\n1        5.25\n2        3.00\n3        7.00\n4        5.00\n         ... \n21608    5.50\n21609    6.50\n21610    2.75\n21611    5.50\n21612    2.75\nName: total_rooms, Length: 21613, dtype: float64"},"metadata":{}}]},{"cell_type":"markdown","source":"## 3. Auf Rows zugreifen\nNun, da wir mit den Columns umgehen können, kümmern wir uns um die Rows. Rows lassen sich auf zwei Arten selektieren, einerseits mit den Indexen (vgl. Listen) oder über Bedingungen.\n\n**Columns und Rows über Indexe selektieren**\nPandas DataFrames lassen sich wie Listen selektieren.\n\n`my_df.iloc[row_indexes , column_indexes]`\n\n\nHierbei ist `my_df` ein DataFrame, `.iloc` der Befehl zur Selektion mit Indexen und inden Eckigen Klammern der Index für Rows, kommagetrennt vom Index für Columns. Wie auch bei Listen kann der Index dabei eine einzelne Zahl sein, oder auch ein Bereich. So entspricht der Ausdruck `0:3` dem Bereich 0, 1, 2. Der Ausdruck `:` kann ebenfalls verwendet werden, was ganz einfach dem gesamten Wertebereich (alle Columns, bzw. alle Rows) entspricht.\n\n> 1. Lasse dir in der folgenden Code-Zelle den Eintrag an der Position `[0, 3]` ausgeben. Um was für einen Wert handelt es sich hier?\n> 2. Lasse dir in der nächsten Code-Zelle die ersten 5 Rows mit allen Columns ausgeben.","metadata":{}},{"cell_type":"code","source":"df_2.iloc[0, 3] # 0 entspricht dem ersten Haus, 3 entspricht der Column mit dem Index 3 (bedrooms)","metadata":{"trusted":true},"execution_count":8,"outputs":[{"execution_count":8,"output_type":"execute_result","data":{"text/plain":"3"},"metadata":{}}]},{"cell_type":"code","source":"df_2.iloc[0:5, :]","metadata":{"trusted":true},"execution_count":9,"outputs":[{"execution_count":9,"output_type":"execute_result","data":{"text/plain":"           id             date   price  bedrooms  bathrooms  sqft_living  \\\n0  7129300520  20141013T000000  221900         3       1.00         1180   \n1  6414100192  20141209T000000  538000         3       2.25         2570   \n2  5631500400  20150225T000000  180000         2       1.00          770   \n3  2487200875  20141209T000000  604000         4       3.00         1960   \n4  1954400510  20150218T000000  510000         3       2.00         1680   \n\n   sqft_lot  floors  waterfront  view  ...  sqft_above  sqft_basement  \\\n0      5650     1.0           0     0  ...        1180              0   \n1      7242     2.0           0     0  ...        2170            400   \n2     10000     1.0           0     0  ...         770              0   \n3      5000     1.0           0     0  ...        1050            910   \n4      8080     1.0           0     0  ...        1680              0   \n\n   yr_built  yr_renovated  zipcode      lat     long  sqft_living15  \\\n0      1955             0    98178  47.5112 -122.257           1340   \n1      1951          1991    98125  47.7210 -122.319           1690   \n2      1933             0    98028  47.7379 -122.233           2720   \n3      1965             0    98136  47.5208 -122.393           1360   \n4      1987             0    98074  47.6168 -122.045           1800   \n\n   sqft_lot15  total_rooms  \n0        5650         4.00  \n1        7639         5.25  \n2        8062         3.00  \n3        5000         7.00  \n4        7503         5.00  \n\n[5 rows x 22 columns]","text/html":"<div>\n<style scoped>\n    .dataframe tbody tr th:only-of-type {\n        vertical-align: middle;\n    }\n\n    .dataframe tbody tr th {\n        vertical-align: top;\n    }\n\n    .dataframe thead th {\n        text-align: right;\n    }\n</style>\n<table border=\"1\" class=\"dataframe\">\n  <thead>\n    <tr style=\"text-align: right;\">\n      <th></th>\n      <th>id</th>\n      <th>date</th>\n      <th>price</th>\n      <th>bedrooms</th>\n      <th>bathrooms</th>\n      <th>sqft_living</th>\n      <th>sqft_lot</th>\n      <th>floors</th>\n      <th>waterfront</th>\n      <th>view</th>\n      <th>...</th>\n      <th>sqft_above</th>\n      <th>sqft_basement</th>\n      <th>yr_built</th>\n      <th>yr_renovated</th>\n      <th>zipcode</th>\n      <th>lat</th>\n      <th>long</th>\n      <th>sqft_living15</th>\n      <th>sqft_lot15</th>\n      <th>total_rooms</th>\n    </tr>\n  </thead>\n  <tbody>\n    <tr>\n      <th>0</th>\n      <td>7129300520</td>\n      <td>20141013T000000</td>\n      <td>221900</td>\n      <td>3</td>\n      <td>1.00</td>\n      <td>1180</td>\n      <td>5650</td>\n      <td>1.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>1180</td>\n      <td>0</td>\n      <td>1955</td>\n      <td>0</td>\n      <td>98178</td>\n      <td>47.5112</td>\n      <td>-122.257</td>\n      <td>1340</td>\n      <td>5650</td>\n      <td>4.00</td>\n    </tr>\n    <tr>\n      <th>1</th>\n      <td>6414100192</td>\n      <td>20141209T000000</td>\n      <td>538000</td>\n      <td>3</td>\n      <td>2.25</td>\n      <td>2570</td>\n      <td>7242</td>\n      <td>2.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>2170</td>\n      <td>400</td>\n      <td>1951</td>\n      <td>1991</td>\n      <td>98125</td>\n      <td>47.7210</td>\n      <td>-122.319</td>\n      <td>1690</td>\n      <td>7639</td>\n      <td>5.25</td>\n    </tr>\n    <tr>\n      <th>2</th>\n      <td>5631500400</td>\n      <td>20150225T000000</td>\n      <td>180000</td>\n      <td>2</td>\n      <td>1.00</td>\n      <td>770</td>\n      <td>10000</td>\n      <td>1.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>770</td>\n      <td>0</td>\n      <td>1933</td>\n      <td>0</td>\n      <td>98028</td>\n      <td>47.7379</td>\n      <td>-122.233</td>\n      <td>2720</td>\n      <td>8062</td>\n      <td>3.00</td>\n    </tr>\n    <tr>\n      <th>3</th>\n      <td>2487200875</td>\n      <td>20141209T000000</td>\n      <td>604000</td>\n      <td>4</td>\n      <td>3.00</td>\n      <td>1960</td>\n      <td>5000</td>\n      <td>1.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>1050</td>\n      <td>910</td>\n      <td>1965</td>\n      <td>0</td>\n      <td>98136</td>\n      <td>47.5208</td>\n      <td>-122.393</td>\n      <td>1360</td>\n      <td>5000</td>\n      <td>7.00</td>\n    </tr>\n    <tr>\n      <th>4</th>\n      <td>1954400510</td>\n      <td>20150218T000000</td>\n      <td>510000</td>\n      <td>3</td>\n      <td>2.00</td>\n      <td>1680</td>\n      <td>8080</td>\n      <td>1.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>1680</td>\n      <td>0</td>\n      <td>1987</td>\n      <td>0</td>\n      <td>98074</td>\n      <td>47.6168</td>\n      <td>-122.045</td>\n      <td>1800</td>\n      <td>7503</td>\n      <td>5.00</td>\n    </tr>\n  </tbody>\n</table>\n<p>5 rows × 22 columns</p>\n</div>"},"metadata":{}}]},{"cell_type":"markdown","source":"**Rows mit Bedingungen auswählen**\n\nUm Rows mit Bedingungen auszuwählen muss den Eckigen Klammern eine Reihe von Wahrheitswerten mitgegeben werden.\n\n>1. Führe die nächste Code-Zelle aus und versuche sie nachzuvollziehen. Wir wählen die Schlafzimmer der Häuser aus und überprüfen, ob die Zahl grösser als 6 ist. Das ausgegebene Resultat ist ein Wahrheitswert (True oder False) für jede Row.","metadata":{}},{"cell_type":"code","source":"df_2['bedrooms'] > 3","metadata":{"trusted":true},"execution_count":10,"outputs":[{"execution_count":10,"output_type":"execute_result","data":{"text/plain":"0        False\n1        False\n2        False\n3         True\n4        False\n         ...  \n21608    False\n21609     True\n21610    False\n21611    False\n21612    False\nName: bedrooms, Length: 21613, dtype: bool"},"metadata":{}}]},{"cell_type":"markdown","source":">2. Führe nun die folgende Zelle aus und versuche sie nachzuvollziehen. Wir vergleichen wiederum die Schlafzimmer mit der Nummer 6, allerdings übergeben wir die daraus resultierende Liste mit Wahrheitswerten in die Eckigen klammern. Pandas gibt uns nun alle Rows zurück, welche dem Wahrheitswert *True* entsprechen. Wie viele Häuser entsprechen dieser Bedingung?\n","metadata":{}},{"cell_type":"code","source":"df_2[df_2['bathrooms'] > 6]","metadata":{"trusted":true},"execution_count":11,"outputs":[{"execution_count":11,"output_type":"execute_result","data":{"text/plain":"               id             date    price  bedrooms  bathrooms  sqft_living  \\\n4024   9175600025  20141007T000000   800000         7       6.75         7480   \n7252   6762700020  20141013T000000  7700000         6       8.00        12050   \n8092   1924059029  20140617T000000  4668000         5       6.75         9640   \n8546    424049043  20140811T000000   450000         9       7.50         4050   \n9254   9208900037  20140919T000000  6885000         6       7.75         9890   \n12777  1225069038  20140505T000000  2280000         7       8.00        13540   \n14556  2303900035  20140611T000000  2888000         5       6.25         8670   \n18302  6072800246  20140702T000000  3300000         5       6.25         8020   \n20578   424069279  20150328T000000  1180000         6       6.50         6260   \n21506  2524069097  20140509T000000  2238888         5       6.50         7270   \n\n       sqft_lot  floors  waterfront  view  ...  sqft_above  sqft_basement  \\\n4024      41664     2.0           0     2  ...        5080           2400   \n7252      27600     2.5           0     3  ...        8570           3480   \n8092      13068     1.0           1     4  ...        4820           4820   \n8546       6504     2.0           0     0  ...        4050              0   \n9254      31374     2.0           0     4  ...        8860           1030   \n12777    307752     3.0           0     4  ...        9410           4130   \n14556     64033     2.0           0     4  ...        6120           2550   \n18302     21738     2.0           0     0  ...        8020              0   \n20578     10955     2.0           0     0  ...        4840           1420   \n21506    130017     2.0           0     0  ...        6420            850   \n\n       yr_built  yr_renovated  zipcode      lat     long  sqft_living15  \\\n4024       1953             0    98166  47.4643 -122.368           2810   \n7252       1910          1987    98102  47.6298 -122.323           3940   \n8092       1983          2009    98040  47.5570 -122.210           3270   \n8546       1996             0    98144  47.5923 -122.301           1448   \n9254       2001             0    98039  47.6305 -122.240           4540   \n12777      1999             0    98053  47.6675 -121.986           4850   \n14556      1965          2003    98177  47.7295 -122.372           4140   \n18302      2001             0    98006  47.5675 -122.189           4160   \n20578      2007             0    98075  47.5947 -122.039           2710   \n21506      2010             0    98027  47.5371 -121.982           1800   \n\n       sqft_lot15  total_rooms  \n4024        33190        13.75  \n7252         8800        14.00  \n8092        10454        11.75  \n8546         3866        16.50  \n9254        42730        13.75  \n12777      217800        15.00  \n14556       81021        11.25  \n18302       18969        11.25  \n20578       12550        12.50  \n21506       44890        11.50  \n\n[10 rows x 22 columns]","text/html":"<div>\n<style scoped>\n    .dataframe tbody tr th:only-of-type {\n        vertical-align: middle;\n    }\n\n    .dataframe tbody tr th {\n        vertical-align: top;\n    }\n\n    .dataframe thead th {\n        text-align: right;\n    }\n</style>\n<table border=\"1\" class=\"dataframe\">\n  <thead>\n    <tr style=\"text-align: right;\">\n      <th></th>\n      <th>id</th>\n      <th>date</th>\n      <th>price</th>\n      <th>bedrooms</th>\n      <th>bathrooms</th>\n      <th>sqft_living</th>\n      <th>sqft_lot</th>\n      <th>floors</th>\n      <th>waterfront</th>\n      <th>view</th>\n      <th>...</th>\n      <th>sqft_above</th>\n      <th>sqft_basement</th>\n      <th>yr_built</th>\n      <th>yr_renovated</th>\n      <th>zipcode</th>\n      <th>lat</th>\n      <th>long</th>\n      <th>sqft_living15</th>\n      <th>sqft_lot15</th>\n      <th>total_rooms</th>\n    </tr>\n  </thead>\n  <tbody>\n    <tr>\n      <th>4024</th>\n      <td>9175600025</td>\n      <td>20141007T000000</td>\n      <td>800000</td>\n      <td>7</td>\n      <td>6.75</td>\n      <td>7480</td>\n      <td>41664</td>\n      <td>2.0</td>\n      <td>0</td>\n      <td>2</td>\n      <td>...</td>\n      <td>5080</td>\n      <td>2400</td>\n      <td>1953</td>\n      <td>0</td>\n      <td>98166</td>\n      <td>47.4643</td>\n      <td>-122.368</td>\n      <td>2810</td>\n      <td>33190</td>\n      <td>13.75</td>\n    </tr>\n    <tr>\n      <th>7252</th>\n      <td>6762700020</td>\n      <td>20141013T000000</td>\n      <td>7700000</td>\n      <td>6</td>\n      <td>8.00</td>\n      <td>12050</td>\n      <td>27600</td>\n      <td>2.5</td>\n      <td>0</td>\n      <td>3</td>\n      <td>...</td>\n      <td>8570</td>\n      <td>3480</td>\n      <td>1910</td>\n      <td>1987</td>\n      <td>98102</td>\n      <td>47.6298</td>\n      <td>-122.323</td>\n      <td>3940</td>\n      <td>8800</td>\n      <td>14.00</td>\n    </tr>\n    <tr>\n      <th>8092</th>\n      <td>1924059029</td>\n      <td>20140617T000000</td>\n      <td>4668000</td>\n      <td>5</td>\n      <td>6.75</td>\n      <td>9640</td>\n      <td>13068</td>\n      <td>1.0</td>\n      <td>1</td>\n      <td>4</td>\n      <td>...</td>\n      <td>4820</td>\n      <td>4820</td>\n      <td>1983</td>\n      <td>2009</td>\n      <td>98040</td>\n      <td>47.5570</td>\n      <td>-122.210</td>\n      <td>3270</td>\n      <td>10454</td>\n      <td>11.75</td>\n    </tr>\n    <tr>\n      <th>8546</th>\n      <td>424049043</td>\n      <td>20140811T000000</td>\n      <td>450000</td>\n      <td>9</td>\n      <td>7.50</td>\n      <td>4050</td>\n      <td>6504</td>\n      <td>2.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>4050</td>\n      <td>0</td>\n      <td>1996</td>\n      <td>0</td>\n      <td>98144</td>\n      <td>47.5923</td>\n      <td>-122.301</td>\n      <td>1448</td>\n      <td>3866</td>\n      <td>16.50</td>\n    </tr>\n    <tr>\n      <th>9254</th>\n      <td>9208900037</td>\n      <td>20140919T000000</td>\n      <td>6885000</td>\n      <td>6</td>\n      <td>7.75</td>\n      <td>9890</td>\n      <td>31374</td>\n      <td>2.0</td>\n      <td>0</td>\n      <td>4</td>\n      <td>...</td>\n      <td>8860</td>\n      <td>1030</td>\n      <td>2001</td>\n      <td>0</td>\n      <td>98039</td>\n      <td>47.6305</td>\n      <td>-122.240</td>\n      <td>4540</td>\n      <td>42730</td>\n      <td>13.75</td>\n    </tr>\n    <tr>\n      <th>12777</th>\n      <td>1225069038</td>\n      <td>20140505T000000</td>\n      <td>2280000</td>\n      <td>7</td>\n      <td>8.00</td>\n      <td>13540</td>\n      <td>307752</td>\n      <td>3.0</td>\n      <td>0</td>\n      <td>4</td>\n      <td>...</td>\n      <td>9410</td>\n      <td>4130</td>\n      <td>1999</td>\n      <td>0</td>\n      <td>98053</td>\n      <td>47.6675</td>\n      <td>-121.986</td>\n      <td>4850</td>\n      <td>217800</td>\n      <td>15.00</td>\n    </tr>\n    <tr>\n      <th>14556</th>\n      <td>2303900035</td>\n      <td>20140611T000000</td>\n      <td>2888000</td>\n      <td>5</td>\n      <td>6.25</td>\n      <td>8670</td>\n      <td>64033</td>\n      <td>2.0</td>\n      <td>0</td>\n      <td>4</td>\n      <td>...</td>\n      <td>6120</td>\n      <td>2550</td>\n      <td>1965</td>\n      <td>2003</td>\n      <td>98177</td>\n      <td>47.7295</td>\n      <td>-122.372</td>\n      <td>4140</td>\n      <td>81021</td>\n      <td>11.25</td>\n    </tr>\n    <tr>\n      <th>18302</th>\n      <td>6072800246</td>\n      <td>20140702T000000</td>\n      <td>3300000</td>\n      <td>5</td>\n      <td>6.25</td>\n      <td>8020</td>\n      <td>21738</td>\n      <td>2.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>8020</td>\n      <td>0</td>\n      <td>2001</td>\n      <td>0</td>\n      <td>98006</td>\n      <td>47.5675</td>\n      <td>-122.189</td>\n      <td>4160</td>\n      <td>18969</td>\n      <td>11.25</td>\n    </tr>\n    <tr>\n      <th>20578</th>\n      <td>424069279</td>\n      <td>20150328T000000</td>\n      <td>1180000</td>\n      <td>6</td>\n      <td>6.50</td>\n      <td>6260</td>\n      <td>10955</td>\n      <td>2.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>4840</td>\n      <td>1420</td>\n      <td>2007</td>\n      <td>0</td>\n      <td>98075</td>\n      <td>47.5947</td>\n      <td>-122.039</td>\n      <td>2710</td>\n      <td>12550</td>\n      <td>12.50</td>\n    </tr>\n    <tr>\n      <th>21506</th>\n      <td>2524069097</td>\n      <td>20140509T000000</td>\n      <td>2238888</td>\n      <td>5</td>\n      <td>6.50</td>\n      <td>7270</td>\n      <td>130017</td>\n      <td>2.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>6420</td>\n      <td>850</td>\n      <td>2010</td>\n      <td>0</td>\n      <td>98027</td>\n      <td>47.5371</td>\n      <td>-121.982</td>\n      <td>1800</td>\n      <td>44890</td>\n      <td>11.50</td>\n    </tr>\n  </tbody>\n</table>\n<p>10 rows × 22 columns</p>\n</div>"},"metadata":{}}]},{"cell_type":"markdown","source":"Im übrigen können mehrere Bedingungen mit dem **&**-Zeichen kombiniert werden. Hierfür müssen die einzelnen Bedingungen in runde Klammern gesetzt werden. Der Befehl \n\n`df_2[(df_2['bedrooms'] > 6) & (df_2['bathrooms'] < 2)]`\n\nWürde also alle Häuser Auswählen, welche mehr al 6 Schlafzimmer und weniger als 2 Badezimmer besitzen. Im übrigen sind für uns die folgenden Vergleichszeichen wichtig:\n\n- **x > y** | x grösser y\n- **x < y** | x kleiner y\n- **x == y** | x gleich y\n\n> 3. Lasse dir in der nächsten Codezeile alle Häuser ausgeben, welche teurer als 1'000'000 Dollars sind (`price`) und weniger als 2 Badezimmer besitzen.","metadata":{}},{"cell_type":"code","source":"df_2[(df_2['price'] > 1000000) & (df_2['bathrooms'] < 2)]","metadata":{"trusted":true},"execution_count":12,"outputs":[{"execution_count":12,"output_type":"execute_result","data":{"text/plain":"               id             date    price  bedrooms  bathrooms  sqft_living  \\\n627    8925100390  20150406T000000  1042500         3       1.75         1900   \n639    6379500640  20150409T000000  1120000         3       1.50         3000   \n875    6306400140  20140612T000000  1095000         0       0.00         3064   \n891    1962200435  20141110T000000  1010000         4       1.00         1820   \n1123   7237501180  20140625T000000  1200000         4       1.75         3990   \n...           ...              ...      ...       ...        ...          ...   \n18685  3325069064  20150326T000000  1052000         3       1.00         1860   \n18876  9808700025  20150211T000000  1500000         3       1.50         1910   \n19471  2566300100  20150327T000000  1388000         5       1.75         2650   \n19622  7351200295  20150114T000000  1150000         3       1.75         1760   \n21548  8835770330  20140819T000000  1057000         2       1.50         2370   \n\n       sqft_lot  floors  waterfront  view  ...  sqft_above  sqft_basement  \\\n627        9375     1.0           0     1  ...        1330            570   \n639        5750     2.0           0     0  ...        2000           1000   \n875        4764     3.5           0     2  ...        3064              0   \n891        5400     1.5           0     0  ...        1820              0   \n1123      13470     2.0           0     0  ...        3990              0   \n...         ...     ...         ...   ...  ...         ...            ...   \n18685     44431     1.0           0     0  ...        1860              0   \n18876     21374     1.0           0     0  ...        1910              0   \n19471     11340     1.0           0     0  ...        2650              0   \n19622      6788     2.0           1     4  ...        1760              0   \n21548    184231     2.0           0     0  ...        2370              0   \n\n       yr_built  yr_renovated  zipcode      lat     long  sqft_living15  \\\n627        1941             0    98115  47.6821 -122.273           2760   \n639        1924             0    98116  47.5821 -122.390           1820   \n875        1990             0    98102  47.6362 -122.322           2360   \n891        1923          2014    98102  47.6476 -122.318           1820   \n1123       2006             0    98059  47.5305 -122.131           5790   \n...         ...           ...      ...      ...      ...            ...   \n18685      1947             0    98074  47.6057 -122.038           2000   \n18876      1955             0    98004  47.6453 -122.214           2850   \n19471      1955             0    98004  47.6260 -122.213           2780   \n19622      1940          1960    98125  47.7336 -122.284           1630   \n21548      2005             0    98045  47.4543 -121.778           3860   \n\n       sqft_lot15  total_rooms  \n627          9375         4.75  \n639          5750         4.50  \n875          4000         0.00  \n891          5400         5.00  \n1123        13709         5.75  \n...           ...          ...  \n18685       44431         4.00  \n18876       16167         4.50  \n19471       13204         6.75  \n19622        7588         4.75  \n21548      151081         3.50  \n\n[72 rows x 22 columns]","text/html":"<div>\n<style scoped>\n    .dataframe tbody tr th:only-of-type {\n        vertical-align: middle;\n    }\n\n    .dataframe tbody tr th {\n        vertical-align: top;\n    }\n\n    .dataframe thead th {\n        text-align: right;\n    }\n</style>\n<table border=\"1\" class=\"dataframe\">\n  <thead>\n    <tr style=\"text-align: right;\">\n      <th></th>\n      <th>id</th>\n      <th>date</th>\n      <th>price</th>\n      <th>bedrooms</th>\n      <th>bathrooms</th>\n      <th>sqft_living</th>\n      <th>sqft_lot</th>\n      <th>floors</th>\n      <th>waterfront</th>\n      <th>view</th>\n      <th>...</th>\n      <th>sqft_above</th>\n      <th>sqft_basement</th>\n      <th>yr_built</th>\n      <th>yr_renovated</th>\n      <th>zipcode</th>\n      <th>lat</th>\n      <th>long</th>\n      <th>sqft_living15</th>\n      <th>sqft_lot15</th>\n      <th>total_rooms</th>\n    </tr>\n  </thead>\n  <tbody>\n    <tr>\n      <th>627</th>\n      <td>8925100390</td>\n      <td>20150406T000000</td>\n      <td>1042500</td>\n      <td>3</td>\n      <td>1.75</td>\n      <td>1900</td>\n      <td>9375</td>\n      <td>1.0</td>\n      <td>0</td>\n      <td>1</td>\n      <td>...</td>\n      <td>1330</td>\n      <td>570</td>\n      <td>1941</td>\n      <td>0</td>\n      <td>98115</td>\n      <td>47.6821</td>\n      <td>-122.273</td>\n      <td>2760</td>\n      <td>9375</td>\n      <td>4.75</td>\n    </tr>\n    <tr>\n      <th>639</th>\n      <td>6379500640</td>\n      <td>20150409T000000</td>\n      <td>1120000</td>\n      <td>3</td>\n      <td>1.50</td>\n      <td>3000</td>\n      <td>5750</td>\n      <td>2.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>2000</td>\n      <td>1000</td>\n      <td>1924</td>\n      <td>0</td>\n      <td>98116</td>\n      <td>47.5821</td>\n      <td>-122.390</td>\n      <td>1820</td>\n      <td>5750</td>\n      <td>4.50</td>\n    </tr>\n    <tr>\n      <th>875</th>\n      <td>6306400140</td>\n      <td>20140612T000000</td>\n      <td>1095000</td>\n      <td>0</td>\n      <td>0.00</td>\n      <td>3064</td>\n      <td>4764</td>\n      <td>3.5</td>\n      <td>0</td>\n      <td>2</td>\n      <td>...</td>\n      <td>3064</td>\n      <td>0</td>\n      <td>1990</td>\n      <td>0</td>\n      <td>98102</td>\n      <td>47.6362</td>\n      <td>-122.322</td>\n      <td>2360</td>\n      <td>4000</td>\n      <td>0.00</td>\n    </tr>\n    <tr>\n      <th>891</th>\n      <td>1962200435</td>\n      <td>20141110T000000</td>\n      <td>1010000</td>\n      <td>4</td>\n      <td>1.00</td>\n      <td>1820</td>\n      <td>5400</td>\n      <td>1.5</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>1820</td>\n      <td>0</td>\n      <td>1923</td>\n      <td>2014</td>\n      <td>98102</td>\n      <td>47.6476</td>\n      <td>-122.318</td>\n      <td>1820</td>\n      <td>5400</td>\n      <td>5.00</td>\n    </tr>\n    <tr>\n      <th>1123</th>\n      <td>7237501180</td>\n      <td>20140625T000000</td>\n      <td>1200000</td>\n      <td>4</td>\n      <td>1.75</td>\n      <td>3990</td>\n      <td>13470</td>\n      <td>2.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>3990</td>\n      <td>0</td>\n      <td>2006</td>\n      <td>0</td>\n      <td>98059</td>\n      <td>47.5305</td>\n      <td>-122.131</td>\n      <td>5790</td>\n      <td>13709</td>\n      <td>5.75</td>\n    </tr>\n    <tr>\n      <th>...</th>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n      <td>...</td>\n    </tr>\n    <tr>\n      <th>18685</th>\n      <td>3325069064</td>\n      <td>20150326T000000</td>\n      <td>1052000</td>\n      <td>3</td>\n      <td>1.00</td>\n      <td>1860</td>\n      <td>44431</td>\n      <td>1.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>1860</td>\n      <td>0</td>\n      <td>1947</td>\n      <td>0</td>\n      <td>98074</td>\n      <td>47.6057</td>\n      <td>-122.038</td>\n      <td>2000</td>\n      <td>44431</td>\n      <td>4.00</td>\n    </tr>\n    <tr>\n      <th>18876</th>\n      <td>9808700025</td>\n      <td>20150211T000000</td>\n      <td>1500000</td>\n      <td>3</td>\n      <td>1.50</td>\n      <td>1910</td>\n      <td>21374</td>\n      <td>1.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>1910</td>\n      <td>0</td>\n      <td>1955</td>\n      <td>0</td>\n      <td>98004</td>\n      <td>47.6453</td>\n      <td>-122.214</td>\n      <td>2850</td>\n      <td>16167</td>\n      <td>4.50</td>\n    </tr>\n    <tr>\n      <th>19471</th>\n      <td>2566300100</td>\n      <td>20150327T000000</td>\n      <td>1388000</td>\n      <td>5</td>\n      <td>1.75</td>\n      <td>2650</td>\n      <td>11340</td>\n      <td>1.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>2650</td>\n      <td>0</td>\n      <td>1955</td>\n      <td>0</td>\n      <td>98004</td>\n      <td>47.6260</td>\n      <td>-122.213</td>\n      <td>2780</td>\n      <td>13204</td>\n      <td>6.75</td>\n    </tr>\n    <tr>\n      <th>19622</th>\n      <td>7351200295</td>\n      <td>20150114T000000</td>\n      <td>1150000</td>\n      <td>3</td>\n      <td>1.75</td>\n      <td>1760</td>\n      <td>6788</td>\n      <td>2.0</td>\n      <td>1</td>\n      <td>4</td>\n      <td>...</td>\n      <td>1760</td>\n      <td>0</td>\n      <td>1940</td>\n      <td>1960</td>\n      <td>98125</td>\n      <td>47.7336</td>\n      <td>-122.284</td>\n      <td>1630</td>\n      <td>7588</td>\n      <td>4.75</td>\n    </tr>\n    <tr>\n      <th>21548</th>\n      <td>8835770330</td>\n      <td>20140819T000000</td>\n      <td>1057000</td>\n      <td>2</td>\n      <td>1.50</td>\n      <td>2370</td>\n      <td>184231</td>\n      <td>2.0</td>\n      <td>0</td>\n      <td>0</td>\n      <td>...</td>\n      <td>2370</td>\n      <td>0</td>\n      <td>2005</td>\n      <td>0</td>\n      <td>98045</td>\n      <td>47.4543</td>\n      <td>-121.778</td>\n      <td>3860</td>\n      <td>151081</td>\n      <td>3.50</td>\n    </tr>\n  </tbody>\n</table>\n<p>72 rows × 22 columns</p>\n</div>"},"metadata":{}}]},{"cell_type":"markdown","source":"## 4. Columns analysieren\nZum Schluss wollen wir noch ein paar Analysefunktionen kennenlernen. Diese Befehle können auf ein DataFrame angewendet werden und summarieren alle enthaltenen Columns. Folgende Funktionen sind für uns wichtig:\n\n- **.sum()** | Summiere alle Rows pro Column\n- **.mean()** | Berechne den Mittelwert aller Rows pro Column\n- **.max()** | Suche den maximalen Wert pro Column\n- **.min()** | Suche den minimalen Wert pro Column\n\n> 1. Führe die folgende Zelle aus. Was ist der tiefste Preis, für den du eines der Häuser kaufen könntest.","metadata":{}},{"cell_type":"code","source":"df_2.min()","metadata":{"trusted":true},"execution_count":13,"outputs":[{"execution_count":13,"output_type":"execute_result","data":{"text/plain":"id                       1000102\ndate             20140502T000000\nprice                      75000\nbedrooms                       0\nbathrooms                    0.0\nsqft_living                  290\nsqft_lot                     520\nfloors                       1.0\nwaterfront                     0\nview                           0\ncondition                      1\ngrade                          1\nsqft_above                   290\nsqft_basement                  0\nyr_built                    1900\nyr_renovated                   0\nzipcode                    98001\nlat                      47.1559\nlong                    -122.519\nsqft_living15                399\nsqft_lot15                   651\ntotal_rooms                  0.0\ndtype: object"},"metadata":{}}]},{"cell_type":"markdown","source":"> 2. Verwende die folgende Codezeile um herauszufinden, wie viel das teuerste Haus in der Liste kostet.","metadata":{}},{"cell_type":"code","source":"df_2['price'].max()","metadata":{"trusted":true},"execution_count":14,"outputs":[{"execution_count":14,"output_type":"execute_result","data":{"text/plain":"7700000"},"metadata":{}}]},{"cell_type":"markdown","source":"## 5. Übungen","metadata":{}},{"cell_type":"markdown","source":">1. Angenommen, du möchtest ein Haus mit genau 7 Schlafzimmern kaufen. Was ist der durchschnittliche Preis, mit welchem du rechnen musst?","metadata":{}},{"cell_type":"code","source":"df_2[df_2['bedrooms'] == 7]['price'].mean()","metadata":{"trusted":true},"execution_count":15,"outputs":[{"execution_count":15,"output_type":"execute_result","data":{"text/plain":"951184.6578947369"},"metadata":{}}]},{"cell_type":"markdown","source":">2. Wie viele Häuser gibt es, welche nach 1950 gebaut wurden (`yr_built`)?","metadata":{}},{"cell_type":"code","source":"#Lösung mit count()\ndf_2[df_2['yr_built'] > 1950].count()\n\n#Alternativ mit Column fürs Zählen\ndf_2['counter'] = 1\ndf_2[df_2['yr_built'] > 1950]['counter'].sum()","metadata":{"trusted":true},"execution_count":16,"outputs":[{"execution_count":16,"output_type":"execute_result","data":{"text/plain":"16426"},"metadata":{}}]},{"cell_type":"markdown","source":">3. Wie viele Häuser gibt es, welche vor 1950 gebaut wurden, daber noch keine Renovation erfahren haben? Bei nicht renovierten Häusern ist der Wert in `yr_renovated` 0.","metadata":{}},{"cell_type":"code","source":"df_2[(df_2['yr_built'] < 1950) & (df_2['yr_renovated'] == 0)].count()","metadata":{"trusted":true},"execution_count":17,"outputs":[{"execution_count":17,"output_type":"execute_result","data":{"text/plain":"id               4359\ndate             4359\nprice            4359\nbedrooms         4359\nbathrooms        4359\nsqft_living      4359\nsqft_lot         4359\nfloors           4359\nwaterfront       4359\nview             4359\ncondition        4359\ngrade            4359\nsqft_above       4359\nsqft_basement    4359\nyr_built         4359\nyr_renovated     4359\nzipcode          4359\nlat              4359\nlong             4359\nsqft_living15    4359\nsqft_lot15       4359\ntotal_rooms      4359\ncounter          4359\ndtype: int64"},"metadata":{}}]},{"cell_type":"markdown","source":">4. Haben Häuser mit einem Baujahr vor 1980 mehr oder weniger Zimmer insgesammt (Schlafzimmer + Badezimmer) als Häuser mit einem Baujahr 1980 oder höher?","metadata":{}},{"cell_type":"code","source":"df_2['total_rooms']\n\nval_1 = df_2[df_2['yr_built'] < 1980]['total_rooms'].mean()\nval_2 = df_2[df_2['yr_built'] > 1979]['total_rooms'].mean()\n\nprint('Durchschnitt vor 1980:', val_1, 'Durchschnitt nach 1980', val_2)","metadata":{"trusted":true},"execution_count":18,"outputs":[{"name":"stdout","text":"Durchschnitt vor 1980: 5.078016053186314 Durchschnitt nach 1980 6.027373639400797\n","output_type":"stream"}]},{"cell_type":"markdown","source":"> 5. Erstelle eine neue Column mit dem Namen `scetchy`. Diese Column soll den Wert 1 haben, wenn ein Haus älter ist, als Baujahr 1950, aber noch nie renoviert wurde. Alle andern Häuser sollen den Wert 0 haben.","metadata":{}},{"cell_type":"code","source":"# Eine von vielen Möglichkeiten\n\nscetchy_val = (df_2['yr_built'] < 1950) & (df_2['yr_renovated'] == 0)\n\nscetchy = []\n\nfor val in scetchy_val:\n    if val == True:\n        scetchy.append(1)\n    else:\n        scetchy.append(0)\n        \ndf_2['scetchy'] = scetchy\n\nprint('Anzahl Häuser mit Attribut \"scetchy\":', df_2['scetchy'].sum())","metadata":{"trusted":true},"execution_count":19,"outputs":[{"name":"stdout","text":"Anzahl Häuser mit Attribut \"scetchy\": 4359\n","output_type":"stream"}]},{"cell_type":"markdown","source":"## 6. Prüfungsrelevantes Wissen\nFür die Prüfung solltest du in der Lage sein:\n\n- Eine oder mehrere Columns eines Pandas DataFrame auswählen\n- Rows gemäss Index auswählen\n- Rows gemäss einer Bedingung (<, >, ==) auswählen)\n- sum, max, min, mean auf eine Auswahl von Rows/Columns anwenden","metadata":{}},{"cell_type":"markdown","source":"## 7. For fun\nAus Pandas lassen sich auch direkt Plots erstellen. Dazu muss der folgende Syntax befolgt werden:\n\n`my_df.plot.scatter(x='col_1', y='col_2)`\n\nDas bedeutet, dass wir aus dem DataFrame `df_2` mit dem Befehl `.plot.scatter()` einen Plot machen möchten. In den Klammern definieren wir, dass `col_1` auf der x-Achse und `col_2` auf der y-Achse liegen soll. \n\nDas folgende Beispiel vergleicht die Anzahl Badezimmer mit den Schlafzimmern pro Haus.","metadata":{}},{"cell_type":"code","source":"df_2.plot.scatter(x='bedrooms', y='bathrooms')","metadata":{"trusted":true},"execution_count":23,"outputs":[{"execution_count":23,"output_type":"execute_result","data":{"text/plain":"<AxesSubplot:xlabel='bedrooms', ylabel='bathrooms'>"},"metadata":{}},{"output_type":"display_data","data":{"text/plain":"<Figure size 432x288 with 1 Axes>","image/png":"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\n"},"metadata":{"needs_background":"light"}}]},{"cell_type":"markdown","source":"> 1. Kannst du anhand einer Visualisation (also einm Plott) erklären, welcher Einfluss die Column `waterfront` auf den Preis hat?","metadata":{}},{"cell_type":"code","source":"","metadata":{},"execution_count":null,"outputs":[]}]}