完成作業繳交 - 劉凱莉 - AIPE03

grading_report.md

@@ -0,0 +1,111 @@
+# 📊 作業批改結果
+
+**總分：600 / 600（100%）— 等級 A**
+
+---
+
+## M1 NumPy（100/100 — 100%）
+
+| 題目 | 分數 | 狀態 |
+|:-----|:----:|:----:|
+| `test_green_mean` | 10/10 | ✅ |
+| `test_green_double` | 10/10 | ✅ |
+| `test_green_filter` | 10/10 | ✅ |
+| `test_yellow_expensive_count` | 15/15 | ✅ |
+| `test_yellow_top3_stock_indices` | 15/15 | ✅ |
+| `test_yellow_restock_cost` | 15/15 | ✅ |
+| `test_red_double11_prices` | 20/20 | ✅ |
+| `test_red_no_forloop` | 5/5 | ✅ |
+
+> ⚠️ 解答模組未找到
+
+---
+
+## M2 Pandas 清理（100/100 — 100%）
+
+| 題目 | 分數 | 狀態 |
+|:-----|:----:|:----:|
+| `test_green_read_csv` | 10/10 | ✅ |
+| `test_green_shape` | 10/10 | ✅ |
+| `test_green_dtypes` | 10/10 | ✅ |
+| `test_yellow_clean_columns` | 15/15 | ✅ |
+| `test_yellow_clean_amount` | 15/15 | ✅ |
+| `test_yellow_drop_duplicates` | 15/15 | ✅ |
+| `test_red_clean_orders_returns_df` | 4/4 | ✅ |
+| `test_red_clean_orders_columns` | 4/4 | ✅ |
+| `test_red_clean_orders_amount_is_numeric` | 4/4 | ✅ |
+| `test_red_clean_orders_date_is_datetime` | 5/5 | ✅ |
+| `test_red_clean_orders_no_nulls` | 4/4 | ✅ |
+| `test_red_clean_orders_no_duplicates` | 4/4 | ✅ |
+
+> ⚠️ 解答模組未找到
+
+---
+
+## M3 Pandas 進階（100/100 — 100%）
+
+| 題目 | 分數 | 狀態 |
+|:-----|:----:|:----:|
+| `test_green_load_and_merge` | 10/10 | ✅ |
+| `test_green_row_count` | 10/10 | ✅ |
+| `test_green_column_list` | 10/10 | ✅ |
+| `test_yellow_top_category` | 15/15 | ✅ |
+| `test_yellow_gold_vip_stats` | 15/15 | ✅ |
+| `test_yellow_region_avg_amount` | 15/15 | ✅ |
+| `test_red_rfm_top5_shape` | 9/9 | ✅ |
+| `test_red_rfm_top5_columns` | 8/8 | ✅ |
+| `test_red_rfm_top5_sorted_by_m` | 8/8 | ✅ |
+
+> ⚠️ 解答模組未找到
+
+---
+
+## M4 時間序列（100/100 — 100%）
+
+| 題目 | 分數 | 狀態 |
+|:-----|:----:|:----:|
+| `test_green_avg_by_month` | 10/10 | ✅ |
+| `test_green_top3_dates` | 10/10 | ✅ |
+| `test_green_date_range` | 10/10 | ✅ |
+| `test_yellow_monthly_revenue` | 15/15 | ✅ |
+| `test_yellow_rolling_avg` | 15/15 | ✅ |
+| `test_yellow_category_median` | 15/15 | ✅ |
+| `test_red_monthly_report_columns` | 9/9 | ✅ |
+| `test_red_monthly_report_values` | 8/8 | ✅ |
+| `test_red_monthly_report_growth` | 8/8 | ✅ |
+
+> ⚠️ 解答模組未找到
+
+---
+
+## M5 視覺化（100/100 — 100%）
+
+| 題目 | 分數 | 狀態 |
+|:-----|:----:|:----:|
+| `test_green_bar_category` | 10/10 | ✅ |
+| `test_green_hist_amount` | 10/10 | ✅ |
+| `test_green_set_labels` | 10/10 | ✅ |
+| `test_yellow_line_region_trend` | 15/15 | ✅ |
+| `test_yellow_box_vip` | 15/15 | ✅ |
+| `test_yellow_scatter_price_amount` | 15/15 | ✅ |
+| `test_red_category_dashboard_is_figure` | 13/13 | ✅ |
+| `test_red_category_dashboard_has_4_subplots` | 12/12 | ✅ |
+
+> ⚠️ 解答模組未找到
+
+---
+
+## M6 Plotly Capstone（100/100 — 100%）
+
+| 題目 | 分數 | 狀態 |
+|:-----|:----:|:----:|
+| `test_green_plotly_bar` | 10/10 | ✅ |
+| `test_green_plotly_line` | 10/10 | ✅ |
+| `test_green_plotly_pie` | 10/10 | ✅ |
+| `test_yellow_clean_and_merge` | 15/15 | ✅ |
+| `test_yellow_kpi_summary` | 15/15 | ✅ |
+| `test_yellow_plotly_scatter` | 15/15 | ✅ |
+| `test_red_dashboard_is_figure` | 13/13 | ✅ |
+| `test_red_dashboard_has_traces` | 12/12 | ✅ |
+
+> ⚠️ 解答模組未找到

homework/m1_numpy.py

@@ -18,20 +18,19 @@
 
 def green_mean():
     """建立 [10, 20, 30, 40, 50]，回傳所有元素的平均值 (float)"""
-    # TODO: 你的程式碼
-    pass
-
+    arr = np.array([10,20,30,40,50])
+    return float(arr.mean())
 
 def green_double():
     """建立 [10, 20, 30, 40, 50]，回傳所有元素乘以 2 的 ndarray"""
-    # TODO: 你的程式碼
-    pass
+    arr = np.array([10,20,30,40,50])
+    return arr * 2
 
 
 def green_filter():
     """建立 [10, 20, 30, 40, 50]，回傳大於 25 的元素 (ndarray)"""
-    # TODO: 你的程式碼
-    pass
+    arr = np.array([10,20,30,40,50])
+    return arr[arr > 25]
 
 
 # ============================================================
@@ -41,26 +40,26 @@ def green_filter():
 
 def yellow_expensive_count(prices):
     """回傳單價 > 1000 的商品數量 (int)"""
-    # TODO: 你的程式碼
-    pass
+    mask = prices > 1000
+    return mask.sum()
 
 
 def yellow_top3_stock_indices(stocks):
     """
     回傳庫存最多的前 3 個商品的索引位置 (ndarray, 由大到小排)
     提示：np.argsort
     """
-    # TODO: 你的程式碼
-    pass
+    idx = np.argsort(-stocks)
+    return idx[0:3]
 
 
 def yellow_restock_cost(prices, stocks):
     """
     單價 < 500 的商品，每種各進貨 50 個，回傳總花費 (float/int)
     提示：布林遮罩 + .sum()
     """
-    # TODO: 你的程式碼
-    pass
+    total = prices[prices < 500] *50
+    return total.sum()
 
 
 # ============================================================
@@ -76,5 +75,5 @@ def red_double11_prices(prices, stocks):
     回傳每個商品的雙 11 售價 (ndarray)
     提示：np.where 可以巢狀使用
     """
-    # TODO: 你的程式碼
-    pass
+    return np.where(stocks >= 100, prices * 0.7,
+         np.where(stocks >= 20, prices * 0.9, prices))

homework/m2_pandas_cleaning.py

@@ -19,26 +19,23 @@ def green_read_csv():
     讀取 orders_raw.csv，回傳原始 DataFrame（不做任何清理）
     提示：pd.read_csv()
     """
-    # TODO: 你的程式碼
-    pass
+    return pd.read_csv('datasets/ecommerce/orders_raw.csv')
 
 
 def green_shape(df):
     """
     回傳 DataFrame 的 (列數, 欄數) tuple
     提示：df.shape
     """
-    # TODO: 你的程式碼
-    pass
+    return df.shape
 
 
 def green_dtypes(df):
     """
     回傳 DataFrame 的欄位型別 (Series)
     提示：df.dtypes
     """
-    # TODO: 你的程式碼
-    pass
+    return df.dtypes
 
 
 # ============================================================
@@ -51,8 +48,9 @@ def yellow_clean_columns(df):
     回傳清理後的 DataFrame（不要修改原始 df）
     提示：df.columns.str.strip().str.lower()
     """
-    # TODO: 你的程式碼
-    pass
+    df2 = df.copy()
+    df2.columns = df2.columns.str.strip().str.lower()
+    return df2
 
 
 def yellow_clean_amount(df):
@@ -62,17 +60,18 @@ def yellow_clean_amount(df):
     回傳清理後的 DataFrame（不要修改原始 df）
     提示：.str.replace() + .astype(float)
     """
-    # TODO: 你的程式碼
-    pass
+    df2 = df.copy()
+    df2['amount'] = df2['amount'].astype(str).str.replace('$','', regex=False).str.replace(',','', regex=False).astype(float)
+    return df2
 
 
 def yellow_drop_duplicates(df):
     """
     移除完全重複的列，回傳去重後的 DataFrame
     提示：df.drop_duplicates()
     """
-    # TODO: 你的程式碼
-    pass
+    df = df.drop_duplicates()
+    return df
 
 
 # ============================================================
@@ -92,5 +91,10 @@ def red_clean_orders(path):
     回傳：清理後的 DataFrame
     提示：pd.to_datetime(errors='coerce')
     """
-    # TODO: 你的程式碼
-    pass
+    df = pd.read_csv(path)
+    df.columns = df.columns.str.strip().str.lower()
+    df['amount'] = df['amount'].astype(str).str.replace('$','',regex=False).str.replace(',','',regex=False).astype(float)
+    df['order_date'] = pd.to_datetime(df['order_date'], errors='coerce')
+    df = df.dropna(subset=['order_date','amount']) # 只要這兩個欄位中任一個有缺失值，該列就會被剔除。
+    df = df.drop_duplicates()
+    return df

homework/m3_pandas_advanced.py

@@ -23,20 +23,25 @@ def green_load_and_merge():
     - 再 LEFT JOIN products.csv ON product_id
     提示：pd.merge(how='left')
     """
-    # TODO: 你的程式碼
-    pass
+    orders = pd.read_csv('datasets/ecommerce/orders_clean.csv')
+    customers = pd.read_csv('datasets/ecommerce/customers.csv')
+    products  = pd.read_csv('datasets/ecommerce/products.csv')
+    df=(
+        orders
+        .merge(customers,on='customer_id',how='left')
+        .merge(products,on='product_id',how='left')
+    )
+    return df
 
 
 def green_row_count(df):
     """回傳 DataFrame 的列數 (int)"""
-    # TODO: 你的程式碼
-    pass
+    return df.shape[0]
 
 
 def green_column_list(df):
     """回傳 DataFrame 的所有欄位名稱 (list)"""
-    # TODO: 你的程式碼
-    pass
+    return list(df.columns)
 
 
 # ============================================================
@@ -49,28 +54,26 @@ def yellow_top_category(df):
     回傳該類別名稱 (str)
     提示：groupby('category')['amount'].sum()
     """
-    # TODO: 你的程式碼
-    pass
-
+    top = df.groupby('category')['amount'].sum().sort_values(ascending=False)
+    return f'{top.idxmax()}'
 
 def yellow_gold_vip_stats(df):
     """
     Gold VIP 客戶總共下了幾張訂單？總金額多少？
     回傳 tuple: (訂單數 int, 總金額 float)
     提示：df[df['vip_level'] == 'Gold']
     """
-    # TODO: 你的程式碼
-    pass
-
+    gold_mask = df[df['vip_level'] == 'Gold']
+    gold = gold_mask['amount'].agg(['count', 'sum'])
+    return (int(gold['count']), float(gold['sum']))
 
 def yellow_region_avg_amount(df):
     """
     計算每個地區 (region) 的平均訂單金額
     回傳 Series（index=region, values=平均金額）
     提示：groupby('region')['amount'].mean()
     """
-    # TODO: 你的程式碼
-    pass
+    return df.groupby('region')['amount'].mean()
 
 
 # ============================================================
@@ -94,4 +97,11 @@ def red_rfm_top5(df):
     提示：groupby('customer_id').agg(...)
     """
     # TODO: 你的程式碼
-    pass
+    rfm = df.groupby('customer_id').agg(
+        R=('order_date', 'max'),
+        F=('order_id', 'count'),
+        M=('amount', 'sum'),
+        customer_name=("customer_name", "first")
+    ).reset_index()
+    result = rfm.sort_values('M',ascending=False).head()
+    return result[["customer_id", "customer_name", "R", "F", "M"]]