完成作業繳交 -徐韻琴 -AIPE03

homework/m1_numpy.py

@@ -18,20 +18,20 @@
 
 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 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 +41,23 @@ 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
+    return int((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
     """
-    # TODO: 你的程式碼
-    pass
+    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()
     """
-    # TODO: 你的程式碼
-    pass
+    return (prices[prices < 500] * 50).sum()
 
 
 # ============================================================
@@ -76,5 +73,8 @@ 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
+    new_df = df.copy()
+    new_df.columns = new_df.columns.str.strip().str.lower()
+    return new_df
 
 
 def yellow_clean_amount(df):
@@ -62,17 +60,23 @@ 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
+    new_df = df.copy()
+    new_df["amount"] = (
+        new_df["amount"]
+        .astype(str)
+        .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()
     """
-    # TODO: 你的程式碼
-    pass
+    return df.drop_duplicates().copy()
 
 
 # ============================================================
@@ -92,5 +96,27 @@ 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)
+
+    # 欄位名稱清理
+    df.columns = df.columns.str.strip().str.lower()
+
+    # amount 清理
+    df["amount"] = (
+        df["amount"]
+        .astype(str)
+        .str.replace("$", "", regex=False)
+        .str.replace(",", "", regex=False)
+        .astype(float)
+    )
+
+    # 日期轉換
+    df["order_date"] = pd.to_datetime(df["order_date"], errors="coerce")
+
+    # 刪除關鍵欄位缺值
+    df = df.dropna(subset=["amount", "order_date"])
+
+    # 去重
+    df = df.drop_duplicates()
+
+    return df.copy()

homework/m3_pandas_advanced.py

@@ -23,20 +23,23 @@ 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 = pd.merge(orders, customers, on="customer_id", how="left")
+    df = pd.merge(df, 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 int(len(df))
 
 
 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)
 
 
 # ============================================================
@@ -49,8 +52,8 @@ 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
+    revenue_by_cat = df.groupby("category")["amount"].sum()
+    return revenue_by_cat.idxmax()
 
 
 def yellow_gold_vip_stats(df):
@@ -59,8 +62,10 @@ def yellow_gold_vip_stats(df):
     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
+    sub = df[df["vip_level"] == "Gold"]
+    order_count = int(len(sub))
+    total_amount = float(sub["amount"].sum())
+    return order_count, total_amount
 
 
 def yellow_region_avg_amount(df):
@@ -69,8 +74,7 @@ def yellow_region_avg_amount(df):
     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()
 
 
 # ============================================================
@@ -93,5 +97,30 @@ def red_rfm_top5(df):
 
     提示：groupby('customer_id').agg(...)
     """
-    # TODO: 你的程式碼
-    pass
+    data = df.copy()
+
+    # 確保日期型別可比較
+    data["order_date"] = pd.to_datetime(data["order_date"], errors="coerce")
+
+    agg = (
+        data.groupby("customer_id")
+        .agg(
+            R=("order_date", "max"),
+            F=("order_date", "count"),
+            M=("amount", "sum"),
+        )
+        .reset_index()
+    )
+
+    # 取每位客戶的名稱（假設同一 customer_id 對應唯一名稱）
+    names = (
+        data[["customer_id", "customer_name"]]
+        .drop_duplicates(subset=["customer_id"])
+    )
+
+    result = pd.merge(agg, names, on="customer_id", how="left")
+
+    result = result[["customer_id", "customer_name", "R", "F", "M"]]
+    result = result.sort_values("M", ascending=False).head(5)
+
+    return result.reset_index(drop=True)

homework/m4_timeseries.py

@@ -26,8 +26,8 @@ def green_avg_by_month():
     回傳 Series（index=月份 1~12, values=平均金額）
     提示：df['order_date'].dt.month
     """
-    # TODO: 你的程式碼
-    pass
+    df = _load_data()
+    return df.groupby(df["order_date"].dt.month)["amount"].mean()
 
 
 def green_top3_dates():
@@ -36,17 +36,17 @@ def green_top3_dates():
     回傳 Series（index=日期, values=訂單數, 由多到少排序）
     提示：value_counts().head(3)
     """
-    # TODO: 你的程式碼
-    pass
+    df = _load_data()
+    return df["order_date"].dt.date.value_counts().head(3)
 
 
 def green_date_range():
     """
     回傳資料的日期範圍 tuple: (最早日期, 最晚日期)
     格式為 pandas Timestamp
     """
-    # TODO: 你的程式碼
-    pass
+    df = _load_data()
+    return df["order_date"].min(), df["order_date"].max()
 
 
 # ============================================================
@@ -59,8 +59,8 @@ def yellow_monthly_revenue():
     回傳 Series（index=月底日期 period, values=總營收）
     提示：set_index('order_date').resample('ME')['amount'].sum()
     """
-    # TODO: 你的程式碼
-    pass
+    df = _load_data()
+    return df.set_index("order_date").resample("ME")["amount"].sum()
 
 
 def yellow_rolling_avg(monthly_revenue):
@@ -70,8 +70,7 @@ def yellow_rolling_avg(monthly_revenue):
     回傳 Series（同樣 index，values=移動平均，前 2 筆可為 NaN）
     提示：.rolling(window=3).mean()
     """
-    # TODO: 你的程式碼
-    pass
+    return monthly_revenue.rolling(window=3).mean()
 
 
 def yellow_category_median(df):
@@ -80,8 +79,7 @@ def yellow_category_median(df):
     回傳 Series（index=category, values=中位數）
     提示：groupby + median + sort_values
     """
-    # TODO: 你的程式碼
-    pass
+    return df.groupby("category")["amount"].median().sort_values(ascending=False)
 
 
 # ============================================================
@@ -100,5 +98,19 @@ def red_monthly_report():
     index 為月份 (period 或 datetime)
     提示：resample + agg + pct_change
     """
-    # TODO: 你的程式碼
-    pass
+    df = _load_data()
+
+    monthly = (
+        df.set_index("order_date")
+        .resample("ME")
+        .agg(
+            order_count=("amount", "count"),
+            revenue=("amount", "sum"),
+            active_customers=("customer_id", "nunique"),
+        )
+    )
+
+    monthly["avg_order_value"] = monthly["revenue"] / monthly["order_count"]
+    monthly["revenue_growth"] = monthly["revenue"].pct_change()
+
+    return monthly