完成作業繳交 - 陳峙宏 - AIPE03

homework/m1_numpy.py

@@ -18,55 +18,43 @@
 
 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]
 
 
-# ============================================================
-# 🟡 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
+    return np.sum(prices > 1000)
 
 
 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()
 
 
-# ============================================================
-# 🔴 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）：
@@ -76,5 +64,8 @@ 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

@@ -20,16 +20,17 @@ def green_read_csv():
     提示：pd.read_csv()
     """
     # TODO: 你的程式碼
-    pass
-
+def green_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
     """
     # TODO: 你的程式碼
-    pass
+def green_shape(df):
+    return df.shape
 
 
 def green_dtypes(df):
@@ -38,7 +39,8 @@ def green_dtypes(df):
     提示：df.dtypes
     """
     # TODO: 你的程式碼
-    pass
+def green_dtypes(df):
+    return df.dtypes
 
 
 # ============================================================
@@ -52,8 +54,9 @@ def yellow_clean_columns(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):
     """
@@ -63,17 +66,22 @@ def yellow_clean_amount(df):
     提示：.str.replace() + .astype(float)
     """
     # TODO: 你的程式碼
-    pass
-
+    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()
     """
     # TODO: 你的程式碼
-    pass
-
+    return df.drop_duplicates()
 
 # ============================================================
 # 🔴 挑戰題（25 分）
@@ -93,4 +101,16 @@ def red_clean_orders(path):
     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"]
+        .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=["amount", "order_date"])
+    df = df.drop_duplicates()
+
+    return df

homework/m3_pandas_advanced.py

@@ -24,19 +24,26 @@ def green_load_and_merge():
     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 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 df.columns.tolist()
 
 
 # ============================================================
@@ -50,7 +57,7 @@ def yellow_top_category(df):
     提示：groupby('category')['amount'].sum()
     """
     # TODO: 你的程式碼
-    pass
+    return df.groupby("category")["amount"].sum().idxmax()
 
 
 def yellow_gold_vip_stats(df):
@@ -60,7 +67,10 @@ def yellow_gold_vip_stats(df):
     提示：df[df['vip_level'] == 'Gold']
     """
     # TODO: 你的程式碼
-    pass
+    gold_df = df[df["vip_level"] == "Gold"]
+    order_count = len(gold_df)
+    total_amount = gold_df["amount"].sum()
+    return (order_count, total_amount)
 
 
 def yellow_region_avg_amount(df):
@@ -70,7 +80,7 @@ def yellow_region_avg_amount(df):
     提示：groupby('region')['amount'].mean()
     """
     # TODO: 你的程式碼
-    pass
+    return df.groupby("region")["amount"].mean()
 
 
 # ============================================================
@@ -94,4 +104,18 @@ def red_rfm_top5(df):
     提示：groupby('customer_id').agg(...)
     """
     # TODO: 你的程式碼
-    pass
+    df = df.copy()
+    df["order_date"] = pd.to_datetime(df["order_date"], errors="coerce")
+
+    rfm = df.groupby("customer_id").agg(
+        R=("order_date", "max"),
+        F=("order_id", "count"),
+        M=("amount", "sum")
+    ).reset_index()
+
+    names = df[["customer_id", "customer_name"]].drop_duplicates()
+    rfm = pd.merge(rfm, names, on="customer_id", how="left")
+    rfm = rfm.sort_values(by="M", ascending=False).head(5)
+    rfm = rfm[["customer_id", "customer_name", "R", "F", "M"]]
+
+    return rfm

homework/m4_timeseries.py

@@ -27,7 +27,8 @@ def green_avg_by_month():
     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():
@@ -37,7 +38,8 @@ def green_top3_dates():
     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():
@@ -46,7 +48,8 @@ def green_date_range():
     格式為 pandas Timestamp
     """
     # TODO: 你的程式碼
-    pass
+    df = _load_data()
+    return (df["order_date"].min(), df["order_date"].max())
 
 
 # ============================================================
@@ -60,7 +63,8 @@ def yellow_monthly_revenue():
     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):
@@ -71,7 +75,7 @@ def yellow_rolling_avg(monthly_revenue):
     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):
@@ -81,7 +85,11 @@ def yellow_category_median(df):
     提示：groupby + median + sort_values
     """
     # TODO: 你的程式碼
-    pass
+    return (
+        df.groupby("category")["amount"]
+        .median()
+        .sort_values(ascending=False)
+    )
 
 
 # ============================================================
@@ -101,4 +109,4 @@ def red_monthly_report():
     提示：resample + agg + pct_change
     """
     # TODO: 你的程式碼
-    pass
+