完成作業繳交 - 陳郁文 - AIPE03

homework/m1_numpy.py

@@ -1,80 +1,75 @@
-"""
-M1 NumPy 向量化思維 — 課後作業
-================================
-請完成以下每個函式，用 NumPy 向量化寫法（不要 for-loop）。
-完成後 git push，GitHub Actions 會自動批改並顯示成績與解答。
-
-提示：
-- np.array, np.where, np.argsort
-- 布林遮罩: arr[arr > 10]
-- 統計: .sum(), .mean(), .max(), .min()
-"""
-import numpy as np
-
-
-# ============================================================
-# 🟢 送分題（每題 10 分，共 30 分）
-# ============================================================
-
-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
-
-
-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
-
-
-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
-
-
-# ============================================================
-# 🟡 核心題（每題 15 分，共 45 分）
-# 以下函式會接收從 products.csv 讀出的 prices, stocks 陣列
-# ============================================================
-
-def yellow_expensive_count(prices):
-    """回傳單價 > 1000 的商品數量 (int)"""
-    # TODO: 你的程式碼
-    pass
-
-
-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
-
-
-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
-
-
-# ============================================================
-# 🔴 挑戰題（25 分）
-# ============================================================
-
-def red_double11_prices(prices, stocks):
-    """
-    雙 11 定價規則（必須向量化，不能用 for-loop）：
-    - 庫存 >= 100：打 7 折
-    - 庫存 20~99：打 9 折
-    - 庫存 < 20：原價
-    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
+"""
+M1 NumPy 向量化思維 — 課後作業
+================================
+請完成以下每個函式，用 NumPy 向量化寫法（不要 for-loop）。
+完成後 git push，GitHub Actions 會自動批改並顯示成績與解答。
+
+提示：
+- np.array, np.where, np.argsort
+- 布林遮罩: arr[arr > 10]
+- 統計: .sum(), .mean(), .max(), .min()
+"""
+import numpy as np
+
+
+# ============================================================
+# 🟢 送分題（每題 10 分，共 30 分）
+# ============================================================
+
+def green_mean():
+    """建立 [10, 20, 30, 40, 50]，回傳所有元素的平均值 (float)"""
+    arr = np.array([10, 20, 30, 40, 50])
+    return arr.mean()
+
+
+
+def green_double():
+    """建立 [10, 20, 30, 40, 50]，回傳所有元素乘以 2 的 ndarray"""
+    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)"""
+    arr = np.array([10, 20, 30, 40, 50])
+    return arr[arr > 25]
+
+
+# ============================================================
+# 🟡 核心題（每題 15 分，共 45 分）
+# 以下函式會接收從 products.csv 讀出的 prices, stocks 陣列
+# ============================================================
+
+def yellow_expensive_count(prices):
+    """回傳單價 > 1000 的商品數量 (int)"""
+    return (prices > 1000).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
+    """
+    return np.argsort(stocks)[-3:][::-1]
+
+
+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()
+    """
+    return (prices[prices < 500] * 50).sum()
+
+# ============================================================
+# 🔴 挑戰題（25 分）
+# ============================================================
+
+def red_double11_prices(prices, stocks):
+    """
+    雙 11 定價規則（必須向量化，不能用 for-loop）：
+    - 庫存 >= 100：打 7 折
+    - 庫存 20~99：打 9 折
+    - 庫存 < 20：原價
+    回傳每個商品的雙 11 售價 (ndarray)
+    提示：np.where 可以巢狀使用
+    """
+    return np.where(stocks >= 100, prices * 0.7, np.where(stocks >= 20, prices * 0.9, prices))

homework/m2_pandas_cleaning.py

@@ -1,96 +1,111 @@
-"""
-M2 Pandas I/O 與資料清理 — 課後作業
-====================================
-情境：你拿到一份「故意弄髒」的訂單 CSV (orders_raw.csv)，
-裡面有欄位名稱空格、金額帶 $ 符號、日期格式錯誤、缺值、重複列。
-請用 Pandas 把它清乾淨。
-
-資料路徑：datasets/ecommerce/orders_raw.csv
-"""
-import pandas as pd
-
-
-# ============================================================
-# 🟢 送分題（每題 10 分，共 30 分）
-# ============================================================
-
-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
-
-
-def green_shape(df):
-    """
-    回傳 DataFrame 的 (列數, 欄數) tuple
-    提示：df.shape
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def green_dtypes(df):
-    """
-    回傳 DataFrame 的欄位型別 (Series)
-    提示：df.dtypes
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🟡 核心題（每題 15 分，共 45 分）
-# ============================================================
-
-def yellow_clean_columns(df):
-    """
-    清理欄位名稱：去除前後空白、全部轉小寫
-    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
-
-
-def yellow_clean_amount(df):
-    """
-    清理 amount 欄位：移除 '$' 和 ',' 符號，轉為 float
-    假設欄位名稱已經是小寫的 'amount'
-    回傳清理後的 DataFrame（不要修改原始 df）
-    提示：.str.replace() + .astype(float)
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-def yellow_drop_duplicates(df):
-    """
-    移除完全重複的列，回傳去重後的 DataFrame
-    提示：df.drop_duplicates()
-    """
-    # TODO: 你的程式碼
-    pass
-
-
-# ============================================================
-# 🔴 挑戰題（25 分）
-# ============================================================
-
-def red_clean_orders(path):
-    """
-    完整清理 pipeline：一個函式搞定所有清理步驟
-    1. 讀取 CSV
-    2. 欄位名稱：去空白、轉小寫
-    3. amount：移除 '$' ','，轉 float
-    4. order_date：轉為 datetime（無法轉換的設為 NaT）
-    5. 刪除 amount 或 order_date 為空的列
-    6. 移除重複列
-
-    回傳：清理後的 DataFrame
-    提示：pd.to_datetime(errors='coerce')
-    """
-    # TODO: 你的程式碼
-    pass
+"""
+M2 Pandas I/O 與資料清理 — 課後作業
+====================================
+情境：你拿到一份「故意弄髒」的訂單 CSV (orders_raw.csv)，
+裡面有欄位名稱空格、金額帶 $ 符號、日期格式錯誤、缺值、重複列。
+請用 Pandas 把它清乾淨。
+
+資料路徑：datasets/ecommerce/orders_raw.csv
+"""
+import pandas as pd
+
+
+# ============================================================
+# 🟢 送分題（每題 10 分，共 30 分）
+# ============================================================
+
+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()
+    """
+    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
+    """
+    return df.shape
+
+
+def green_dtypes(df):
+    """
+    回傳 DataFrame 的欄位型別 (Series)
+    提示：df.dtypes
+    """
+    return df.dtypes
+
+
+# ============================================================
+# 🟡 核心題（每題 15 分，共 45 分）
+# ============================================================
+
+def yellow_clean_columns(df):
+    """
+    清理欄位名稱：去除前後空白、全部轉小寫
+    回傳清理後的 DataFrame（不要修改原始 df）
+    提示：df.columns.str.strip().str.lower()
+    """
+    new_df = df.copy()
+    new_df.columns = new_df.columns.str.strip().str.lower()
+    return new_df
+
+
+def yellow_clean_amount(df):
+    """
+    清理 amount 欄位：移除 '$' 和 ',' 符號，轉為 float
+    假設欄位名稱已經是小寫的 'amount'
+    回傳清理後的 DataFrame（不要修改原始 df）
+    提示：.str.replace() + .astype(float)
+    """
+    new_df = df.copy()
+    new_df['amount'] = (new_df['amount']
+                        .str.replace('$', '', regex=False)
+                        .str.replace(',', '', regex=False)
+                        .astype(float))
+    return new_df
+
+
+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()
+    """
+    return df.drop_duplicates()
+
+# ============================================================
+# 🔴 挑戰題（25 分）
+# ============================================================
+
+def red_clean_orders(path):
+    """
+    完整清理 pipeline：一個函式搞定所有清理步驟
+    1. 讀取 CSV
+    2. 欄位名稱：去空白、轉小寫
+    3. amount：移除 '$' ','，轉 float
+    4. order_date：轉為 datetime（無法轉換的設為 NaT）
+    5. 刪除 amount 或 order_date 為空的列
+    6. 移除重複列
+
+    回傳：清理後的 DataFrame
+    提示：pd.to_datetime(errors='coerce')
+    """
+def yellow_clean_columns(df):
+    new_df = df.copy()
+    new_df.columns = new_df.columns.str.strip().str.lower()
+    return new_df
+
+
+def yellow_clean_amount(df):
+    new_df = df.copy()
+    new_df['amount'] = (new_df['amount']
+                        .str.replace('$', '', regex=False)
+                        .str.replace(',', '', regex=False)
+                        .astype(float))
+    return new_df
+
+
+def yellow_drop_duplicates(df):
+    return df.drop_duplicates()