From 842ae23630834b0a2eac7130f60ee14d9fe19428 Mon Sep 17 00:00:00 2001
From: dev weycloud <dev@weycloud.de>
Date: Mon, 24 Jan 2022 19:27:51 +0100
Subject: [PATCH] Code fuer Hausarbeit f,g

---
 Hausarbeit/mobile_device_data.py | 34 ++++++++++++++++++++++++++++++--
 1 file changed, 32 insertions(+), 2 deletions(-)

diff --git a/Hausarbeit/mobile_device_data.py b/Hausarbeit/mobile_device_data.py
index 27b0fd9..869de31 100644
--- a/Hausarbeit/mobile_device_data.py
+++ b/Hausarbeit/mobile_device_data.py
@@ -71,7 +71,10 @@ dfUnivariateAnalyse.to_csv('UnivariateAnalyse.csv')
 ### d) Balkendiagramme
 
 # Arbeitstabelle erzeugen, die nur die Spalten der nominalen Merkmale enthält:
-dfNominaleMerkmale = df[["bluetooth", "dual_sim", "4G"]].astype(int) # inkl. Typenumwandlung zur Ganzzahl (int)
+# inkl. Typenumwandlung zur Ganzzahl: .astype(int) 
+dfNominaleMerkmale = df[["bluetooth", "dual_sim", "4G"]].astype(int) 
+
+# print(df["bluetooth"].value_counts())
 
 # Jetzt Abwechselnd: 
 #   ___Yes = Extrahieren der Datensätze mit Merkmalsausprägung 1 (yes)
@@ -104,7 +107,7 @@ dfAnzahlYesNo = pd.DataFrame({'yes': anzahlYes, 'no': anzahlNo}, index=index)
 
 # Für dieses Dataframe ein Balkendiagramm erzeugen, mit Rotation=0
 dfAnzahlYesNo.plot.bar()
-plt.show()
+#plt.show()
 
 
 
@@ -127,6 +130,7 @@ arrYpredicted = steigung * werteListeX + yAchsAbschn        # using y = m*x + n,
 print("Regressionsgleichung:", "y =", steigung, "* x +", yAchsAbschn)
 
 # Plot Linear Regression Line
+plt.clf() # Clear last plot image
 plt.plot(werteListeX, arrYpredicted, label='Lin Regression', color='red', linestyle='solid') # https://scriptverse.academy/tutorials/python-matplotlib-plot-straight-line.html
 # Show Plot Image
 plt.xlabel('ram', color='black')
@@ -136,3 +140,29 @@ plt.scatter(werteListeX, werteListeY)
 #plt.show()
 
 
+### f) Skalierung in [0, 1]
+dfMetrischeMerkmale["battery_power_skaliert"] = dfMetrischeMerkmale["battery_power"] / dfMetrischeMerkmale["battery_power"].max()
+dfMetrischeMerkmale["int_memory_skaliert"] = dfMetrischeMerkmale["int_memory"] / dfMetrischeMerkmale["int_memory"].max()
+dfMetrischeMerkmale["ram_skaliert"] = dfMetrischeMerkmale["ram"] / dfMetrischeMerkmale["ram"].max()
+# print(dfMetrischeMerkmale)
+#      battery_power  int_memory  ...  int_memory_skaliert  ram_skaliert
+# 0             1043           5  ...             0.078125      0.874245
+# 1              841          61  ...             0.953125      0.979628
+# 2             1807          27  ...             0.421875      0.602616
+# ...
+
+### g) Boxplots
+
+plt.clf() # Clear last plot image
+plt.close('all')
+plt.boxplot(dfMetrischeMerkmale["battery_power"], showfliers=True)
+plt.show()
+#dfMetrischeMerkmale.boxplot("battery_power", showfliers=True, backend="matplotlib")
+#plt.show()
+plt.clf() # Clear last plot image
+dfMetrischeMerkmale.boxplot("int_memory", showfliers=True)
+plt.show()
+plt.clf() # Clear last plot image
+dfMetrischeMerkmale.boxplot("ram", showfliers=True)
+plt.show()
+