├── README.md
├── analysis_of_bank_data
    ├── README.md
    └── yandex_bank_karpova_new.ipynb
├── big_cities_music
    ├── README.md
    └── yandex_music_karpova_new.ipynb
├── catering_market
    ├── README.md
    └── yandex_restdata_karpova_new.ipynb
├── cell_phone_plan
    ├── README.md
    └── yandex_megaline_karpova_new.ipynb
├── diplom.PNG
├── games
    ├── README.md
    └── yandex_games_karpova_new.ipynb
├── graduation_project
    ├── README.md
    ├── yandex_ex1_bank_karpova_new.ipynb
    ├── yandex_ex1_bank_prez_ovkarpova.pdf
    ├── yandex_ex2_ab_karpova_new.ipynb
    └── yandex_ex3_SQL_karpova_new.ipynb
├── gym_churn
    ├── README.md
    └── yandex_gym_karpova_new.ipynb
├── hypothesis_ab
    ├── README.md
    └── yandex_hypothesis_ab_karpova_new.ipynb
├── loss_analysis
    ├── README.md
    └── yandex_procrastinate_karpova_new.ipynb
├── real_estate_market
    ├── README.md
    └── yandex_realty_karpova_new.ipynb
├── sql
    ├── 1_sql_tasks.sql
    └── README.md
├── sql_advanced
    ├── 2_sql_tasks.sql
    └── README.md
├── sql_border2880_1628581406.png
├── sql_border2880_1628581407.png
└── user_behavior
    ├── README.md
    └── yandex_logs_exp_karpova_new.ipynb


/README.md:
--------------------------------------------------------------------------------
 1 | # Data analyst
 2 | 
 3 | ## Описание:
 4 | В репозитории представлены проекты курса [Аналитик данных](https://praktikum.yandex.ru/data-analyst/) (Яндекс.Практикум).
 5 | 
 6 | ## Основные инструменты и навыки, полученные при обучении:
 7 | - Языки: Python, SQL
 8 | - Анализ данных: библиотеки Pandas, NumPy, SciPy, Statsmodels
 9 | - Визуализация: Matplotlib, Plotly, Seaborn
10 | - Построение дашбордов: Tableau
11 | - Метрики юнит-экономики, когортный анализ
12 | - А/В-тестирование
13 | - Работа с гипотезами
14 | - Машинное обучение: библиотеки Scikit-learn, XGBoost
15 | 
16 | ## Программа обучения:
17 | ![-](https://github.com/ovalentinka/Data_analyst/blob/be6663a961ed1bd26a89ce2832cc5e280c711f56/diplom.PNG)
18 | 
19 | ## Проекты:
20 | | №| Название и ссылка | О чем проект                                                     | Навыки и инструменты           |  
21 | |-----------|-------------------|------------------------------------------------------------------|-----------------------------------|
22 | |1              |[Вводный проект. Музыка больших городов](big_cities_music/)|Сравниваем данные пользователей Яндекс.Музыки по городам и дням недели|`Python` `Pandas`|
23 | |2              |[Исследование надежности заемщиков](analysis_of_bank_data/)|Разбираемся, влияет ли семейное положение и количество детей клиента на факт погашения кредита в срок. Анализируем данные о клиентах банка и определяем долю кредитоспособных|`предобработка данных` `Python` `Pandas`|
24 | |3              |[Исследование объявлений о продаже квартир](real_estate_market/)|Исследуем архив объявлений о продаже объектов недвижимости в Санкт-Петербурге и Ленинградской области (основные свойства данных, поиск закономерностей, распределений и аномалий)|`Python` `Pandas` `Matplotlib` `предобработка данных` `исследовательский анализ данных` `визуализация данных`|
25 | |4              |[Определение перспективного тарифа для телеком-компании](cell_phone_plan/)|Делаем предварительный анализ тарифов на небольшой выборке клиентов. Анализируем поведение клиентов и делаем вывод, какой тариф лучше| `Python` `Pandas` `Matplotlib` `NumPy` `SciPy` `проверка статистических гипотез` `описательная статистика`|
26 | |5              |Сборный проект 1. [Анализ рынка продаж компьютерных игр](games/)|Ищем закономерности в данных о продаже игры и выявляем те, которые определяют их успешность. Это позволият сделать ставку на потенциально популярный продукт и спланировать рекламные кампании|`Python` `Pandas` `NumPy` `Matplotlib` `предобработка данных` `исследовательский анализ данных` `описательная статистика` `проверка статистических гипотез`|
27 | |6              |[Базовый SQL](sql/)|Пишем ряд запросов разной сложности к базе данных, в которой хранятся данные по венчурным инвесторам, стартапам и инвестициям в них|`SQL` `PostgreSQL`|
28 | |7              |[Анализ бизнес-показателей развлекательного приложения](loss_analysis/)|На основе данных изучаем поведение пользователей, а также анализируем доходность клиентов и окупаемость рекламы, чтобы предложить рекомендации для отдела маркетинга|`Python` `Pandas` `Matplotlib` `когортный анализ` `юнит-экономика` `продуктовые метрики` `Seaborn`|
29 | |8              |[Продвинутый SQL](sql_advanced/)|С помощью Python и SQL подключаемся к базе данных, считаем и визуализируем ключевые метрики сервис-системы вопросов и ответов о программировании|`SQL` `PostgreSQL`|
30 | |9              |[Принятие решений в бизнесе](hypothesis_ab/)|Анализируем результаты A/B-тестирования в крупном интернет-магазине, приоритизируем гипотезы|`Python` `Pandas` `Matplotlib` `SciPy` `A/B-тестирование` `проверка статистических гипотез`|
31 | |10             |Сборный проект 2. [Анализ поведения пользователей мобильного приложения](user_behavior/)|Исследуем воронку продаж и анализируем результаты A/A/B-тестирования в мобильном приложении|`Python` `Pandas` `Matplotlib` `SciPy` `A/B-тестирование` `проверка статистических гипотез` `Seaborn` `событийная аналитика` `продуктовые метрики` `Plotly` `визуализация данных`|
32 | |11             |[Исследование рынка общественного питания](catering_market)|Исследование рынка на основе открытых данных о заведениях общественного питания Москвы|`Python` `Pandas` `Matplotlib` `Seaborn` `Plotly` `визуализация данных`|
33 | |12             |[Дашборд для Яндекс.Дзена](https://public.tableau.com/app/profile/oxana3540/viz/dashboard_YZen_ovk/Dashboard_YaZen) и [Презентация](https://disk.yandex.ru/i/pr1-iJXmgZGNaA)|Разрабатываем и презентуем дашборд для анализа пользовательского взаимодействия в сервисе Яндекс.Дзен (Tableau Public)|`Python` `PostgreSQL` `Tableau` `продуктовые метрики` `построение дашбордов`|
34 | |13             |[Прогнозирование оттока клиентов сети фитнес-центров](gym_churn/)|Разрабатываем модель машинного обучения для прогнозирования оттока клиентов в фитнес-центре. Наша задача — провести анализ, составить портреты клиентов и подготовить план действий по их удержанию|`Python` `Pandas` `Scikit-learn` `Matplotlib` `Seaborn` `машинное обучение` `классификация` `кластеризация`|
35 | |14             |[Выпускной проект](graduation_project/). [Банки — cегментация пользователей по потреблению продуктов](https://github.com/ovalentinka/Data_analyst/blob/c2e103c7f7d92711fbd40179cdc8134f6d8eccca/graduation_project/yandex_ex1_bank_karpova_new.ipynb), [Презентация](https://github.com/ovalentinka/Data_analyst/blob/3bf2397fe88cd31b36c5b31d4de416e04f80fd63/graduation_project/yandex_ex1_bank_prez_ovkarpova.pdf) и [Дашборд](https://public.tableau.com/app/profile/oxana3540/viz/product_activity/Dashboard1); [А/B тестирование](https://github.com/ovalentinka/Data_analyst/blob/c2e103c7f7d92711fbd40179cdc8134f6d8eccca/graduation_project/yandex_ex2_ab_karpova_new.ipynb), [SQL](https://github.com/ovalentinka/Data_analyst/blob/3e4272acf1b22cbf9e49706375ad128ead6b89b8/graduation_project/yandex_ex3_SQL_karpova_new.ipynb)|Анализируем заемщиков банка (результат оформляем в виде Презентации), проверяем результаты А/B тестирования и подтверждаем гипотезы, разрабатываем дашборд в Tableau Public. изучаем мобильное приложение посредством SQL-запросов. |`SQL` `PostgreSQL` `Python` `Pandas` `Scikit-learn` `Matplotlib` `Seaborn` `машинное обучение` `классификация` `кластеризация` `Tableau` `продуктовые метрики` `построение дашбордов` `A/B-тестирование` `проверка статистических гипотез`|
36 | 


--------------------------------------------------------------------------------
/analysis_of_bank_data/README.md:
--------------------------------------------------------------------------------
 1 | # Исследование надежности заёмщиков
 2 | 
 3 | ## Задача 
 4 | 
 5 | Нужно разобраться, как разные характеристика клиента влияют на факт погашения кредита в срок, а так же ответить на вопросы:
 6 | 
 7 | - есть ли зависимость между количеством детей и возвратом кредита в срок?
 8 | - есть ли зависимость между семейным положением и возвратом кредита в срок?
 9 | - есть ли зависимость между уровнем дохода и возвратом кредита в срок?
10 | - как разные цели кредита влияют на его возврат в срок?
11 | 
12 | ## Данные
13 | 
14 | Статистика о платёжеспособности клиентов:
15 | - количество детей в семье;
16 | - общий трудовой стаж в днях;
17 | - возраст клиента в годах;
18 | - уровень образования клиента;
19 | - идентификатор уровня образования;
20 | - семейное положение;
21 | - идентификатор семейного положения;
22 | - пол клиента;
23 | - тип занятости;
24 | - имел ли задолженность по возврату кредитов;
25 | - ежемесячный доход;
26 | - цель получения кредита;
27 | 
28 | ## Используемые библиотеки
29 | 
30 | *pandas, seaborn* 
31 | 


--------------------------------------------------------------------------------
/big_cities_music/README.md:
--------------------------------------------------------------------------------
 1 | # Музыка больших городов
 2 | Ввводный проект.
 3 | 
 4 | ## Данные
 5 | 
 6 | В наличии были следующие данные о прослушиваниях треков в сервисе Яндекс.Музыка:
 7 | - название трека;
 8 | - исполнитель;
 9 | - жанр;
10 | - город;
11 | - день прослушивания;
12 | - время прослушивания;
13 | 
14 | ## Задача
15 | 
16 | Провести сравнение музыкальных предпочтений у пользователей Яндекс.Музыки, проживающих в Москве и Санкт-Петербурге. Сравнить прослушивания в понедельник, среду и пятницу по городам, а также сравнить жанры, которые слушают пользователи утром в понедельник и вечером в пятницу в Москве и Санкт-Петербурге.  
17 | 
18 | ## Используемые библиотеки
19 | 
20 | *pandas*
21 | 


--------------------------------------------------------------------------------
/big_cities_music/yandex_music_karpova_new.ipynb:
--------------------------------------------------------------------------------
   1 | {
   2 |  "cells": [
   3 |   {
   4 |    "cell_type": "markdown",
   5 |    "metadata": {
   6 |     "id": "E0vqbgi9ay0H"
   7 |    },
   8 |    "source": [
   9 |     "# Музыка больших городов"
  10 |    ]
  11 |   },
  12 |   {
  13 |    "cell_type": "markdown",
  14 |    "metadata": {
  15 |     "id": "VUC88oWjTJw2"
  16 |    },
  17 |    "source": [
  18 |     "Сравнение Москвы и Петербурга окружено мифами. Например:\n",
  19 |     " * Москва — мегаполис, подчинённый жёсткому ритму рабочей недели;\n",
  20 |     " * Петербург — культурная столица, со своими вкусами.\n",
  21 |     "\n",
  22 |     "На данных Яндекс.Музыки мы сравним поведение пользователей двух столиц.\n",
  23 |     "\n",
  24 |     "**Цель исследования** — проверьте три гипотезы:\n",
  25 |     "1. Активность пользователей зависит от дня недели. Причём в Москве и Петербурге это проявляется по-разному.\n",
  26 |     "2. В понедельник утром в Москве преобладают одни жанры, а в Петербурге — другие. Так же и вечером пятницы преобладают разные жанры — в зависимости от города. \n",
  27 |     "3. Москва и Петербург предпочитают разные жанры музыки. В Москве чаще слушают поп-музыку, в Петербурге — русский рэп.\n",
  28 |     "\n",
  29 |     "**Ход исследования**\n",
  30 |     "\n",
  31 |     "Данные о поведении пользователей мы получили из файла `yandex_music_project.csv`. О качестве данных ничего не известно. Поэтому перед проверкой гипотез понадобится обзор данных. \n",
  32 |     "\n",
  33 |     "Мы проверим данные на ошибки и оценим их влияние на исследование. Затем, на этапе предобработки поищем возможность исправить самые критичные ошибки данных.\n",
  34 |     " \n",
  35 |     "Таким образом, исследование пройдёт в три этапа:\n",
  36 |     " 1. Обзор данных.\n",
  37 |     " 2. Предобработка данных.\n",
  38 |     " 3. Проверка гипотез.\n",
  39 |     "\n"
  40 |    ]
  41 |   },
  42 |   {
  43 |    "cell_type": "markdown",
  44 |    "metadata": {
  45 |     "id": "Ml1hmfXC_Zcs"
  46 |    },
  47 |    "source": [
  48 |     "## Обзор данных\n",
  49 |     "\n",
  50 |     "Составим первое представление о данных Яндекс.Музыки.\n",
  51 |     "\n",
  52 |     "\n"
  53 |    ]
  54 |   },
  55 |   {
  56 |    "cell_type": "code",
  57 |    "execution_count": 1,
  58 |    "metadata": {
  59 |     "id": "AXN7PHPN_Zcs"
  60 |    },
  61 |    "outputs": [],
  62 |    "source": [
  63 |     "import pandas as pd # импорт библиотеки pandas"
  64 |    ]
  65 |   },
  66 |   {
  67 |    "cell_type": "markdown",
  68 |    "metadata": {
  69 |     "id": "SG23P8tt_Zcs"
  70 |    },
  71 |    "source": [
  72 |     "Прочитаем файл `yandex_music_project.csv` и сохраним его в переменной `df`:"
  73 |    ]
  74 |   },
  75 |   {
  76 |    "cell_type": "code",
  77 |    "execution_count": 2,
  78 |    "metadata": {
  79 |     "id": "fFVu7vqh_Zct"
  80 |    },
  81 |    "outputs": [],
  82 |    "source": [
  83 |     "df = pd.read_csv(r'C:\\Dev\\Jupyter\\dist\\projects\\yandex_music_project.csv') # чтение файла с данными и сохранение в df"
  84 |    ]
  85 |   },
  86 |   {
  87 |    "cell_type": "markdown",
  88 |    "metadata": {
  89 |     "id": "rDoOMd3uTqnZ"
  90 |    },
  91 |    "source": [
  92 |     "Выведем на экран первые десять строк таблицы:"
  93 |    ]
  94 |   },
  95 |   {
  96 |    "cell_type": "code",
  97 |    "execution_count": 3,
  98 |    "metadata": {
  99 |     "id": "oWTVX3gW_Zct"
 100 |    },
 101 |    "outputs": [
 102 |     {
 103 |      "data": {
 104 |       "text/html": [
 105 |        "<div>\n",
 106 |        "<style scoped>\n",
 107 |        "    .dataframe tbody tr th:only-of-type {\n",
 108 |        "        vertical-align: middle;\n",
 109 |        "    }\n",
 110 |        "\n",
 111 |        "    .dataframe tbody tr th {\n",
 112 |        "        vertical-align: top;\n",
 113 |        "    }\n",
 114 |        "\n",
 115 |        "    .dataframe thead th {\n",
 116 |        "        text-align: right;\n",
 117 |        "    }\n",
 118 |        "</style>\n",
 119 |        "<table border=\"1\" class=\"dataframe\">\n",
 120 |        "  <thead>\n",
 121 |        "    <tr style=\"text-align: right;\">\n",
 122 |        "      <th></th>\n",
 123 |        "      <th>userID</th>\n",
 124 |        "      <th>Track</th>\n",
 125 |        "      <th>artist</th>\n",
 126 |        "      <th>genre</th>\n",
 127 |        "      <th>City</th>\n",
 128 |        "      <th>time</th>\n",
 129 |        "      <th>Day</th>\n",
 130 |        "    </tr>\n",
 131 |        "  </thead>\n",
 132 |        "  <tbody>\n",
 133 |        "    <tr>\n",
 134 |        "      <th>0</th>\n",
 135 |        "      <td>FFB692EC</td>\n",
 136 |        "      <td>Kamigata To Boots</td>\n",
 137 |        "      <td>The Mass Missile</td>\n",
 138 |        "      <td>rock</td>\n",
 139 |        "      <td>Saint-Petersburg</td>\n",
 140 |        "      <td>20:28:33</td>\n",
 141 |        "      <td>Wednesday</td>\n",
 142 |        "    </tr>\n",
 143 |        "    <tr>\n",
 144 |        "      <th>1</th>\n",
 145 |        "      <td>55204538</td>\n",
 146 |        "      <td>Delayed Because of Accident</td>\n",
 147 |        "      <td>Andreas Rönnberg</td>\n",
 148 |        "      <td>rock</td>\n",
 149 |        "      <td>Moscow</td>\n",
 150 |        "      <td>14:07:09</td>\n",
 151 |        "      <td>Friday</td>\n",
 152 |        "    </tr>\n",
 153 |        "    <tr>\n",
 154 |        "      <th>2</th>\n",
 155 |        "      <td>20EC38</td>\n",
 156 |        "      <td>Funiculì funiculà</td>\n",
 157 |        "      <td>Mario Lanza</td>\n",
 158 |        "      <td>pop</td>\n",
 159 |        "      <td>Saint-Petersburg</td>\n",
 160 |        "      <td>20:58:07</td>\n",
 161 |        "      <td>Wednesday</td>\n",
 162 |        "    </tr>\n",
 163 |        "    <tr>\n",
 164 |        "      <th>3</th>\n",
 165 |        "      <td>A3DD03C9</td>\n",
 166 |        "      <td>Dragons in the Sunset</td>\n",
 167 |        "      <td>Fire + Ice</td>\n",
 168 |        "      <td>folk</td>\n",
 169 |        "      <td>Saint-Petersburg</td>\n",
 170 |        "      <td>08:37:09</td>\n",
 171 |        "      <td>Monday</td>\n",
 172 |        "    </tr>\n",
 173 |        "    <tr>\n",
 174 |        "      <th>4</th>\n",
 175 |        "      <td>E2DC1FAE</td>\n",
 176 |        "      <td>Soul People</td>\n",
 177 |        "      <td>Space Echo</td>\n",
 178 |        "      <td>dance</td>\n",
 179 |        "      <td>Moscow</td>\n",
 180 |        "      <td>08:34:34</td>\n",
 181 |        "      <td>Monday</td>\n",
 182 |        "    </tr>\n",
 183 |        "    <tr>\n",
 184 |        "      <th>5</th>\n",
 185 |        "      <td>842029A1</td>\n",
 186 |        "      <td>Преданная</td>\n",
 187 |        "      <td>IMPERVTOR</td>\n",
 188 |        "      <td>rusrap</td>\n",
 189 |        "      <td>Saint-Petersburg</td>\n",
 190 |        "      <td>13:09:41</td>\n",
 191 |        "      <td>Friday</td>\n",
 192 |        "    </tr>\n",
 193 |        "    <tr>\n",
 194 |        "      <th>6</th>\n",
 195 |        "      <td>4CB90AA5</td>\n",
 196 |        "      <td>True</td>\n",
 197 |        "      <td>Roman Messer</td>\n",
 198 |        "      <td>dance</td>\n",
 199 |        "      <td>Moscow</td>\n",
 200 |        "      <td>13:00:07</td>\n",
 201 |        "      <td>Wednesday</td>\n",
 202 |        "    </tr>\n",
 203 |        "    <tr>\n",
 204 |        "      <th>7</th>\n",
 205 |        "      <td>F03E1C1F</td>\n",
 206 |        "      <td>Feeling This Way</td>\n",
 207 |        "      <td>Polina Griffith</td>\n",
 208 |        "      <td>dance</td>\n",
 209 |        "      <td>Moscow</td>\n",
 210 |        "      <td>20:47:49</td>\n",
 211 |        "      <td>Wednesday</td>\n",
 212 |        "    </tr>\n",
 213 |        "    <tr>\n",
 214 |        "      <th>8</th>\n",
 215 |        "      <td>8FA1D3BE</td>\n",
 216 |        "      <td>И вновь продолжается бой</td>\n",
 217 |        "      <td>NaN</td>\n",
 218 |        "      <td>ruspop</td>\n",
 219 |        "      <td>Moscow</td>\n",
 220 |        "      <td>09:17:40</td>\n",
 221 |        "      <td>Friday</td>\n",
 222 |        "    </tr>\n",
 223 |        "    <tr>\n",
 224 |        "      <th>9</th>\n",
 225 |        "      <td>E772D5C0</td>\n",
 226 |        "      <td>Pessimist</td>\n",
 227 |        "      <td>NaN</td>\n",
 228 |        "      <td>dance</td>\n",
 229 |        "      <td>Saint-Petersburg</td>\n",
 230 |        "      <td>21:20:49</td>\n",
 231 |        "      <td>Wednesday</td>\n",
 232 |        "    </tr>\n",
 233 |        "  </tbody>\n",
 234 |        "</table>\n",
 235 |        "</div>"
 236 |       ],
 237 |       "text/plain": [
 238 |        "     userID                        Track            artist   genre  \\\n",
 239 |        "0  FFB692EC            Kamigata To Boots  The Mass Missile    rock   \n",
 240 |        "1  55204538  Delayed Because of Accident  Andreas Rönnberg    rock   \n",
 241 |        "2    20EC38            Funiculì funiculà       Mario Lanza     pop   \n",
 242 |        "3  A3DD03C9        Dragons in the Sunset        Fire + Ice    folk   \n",
 243 |        "4  E2DC1FAE                  Soul People        Space Echo   dance   \n",
 244 |        "5  842029A1                    Преданная         IMPERVTOR  rusrap   \n",
 245 |        "6  4CB90AA5                         True      Roman Messer   dance   \n",
 246 |        "7  F03E1C1F             Feeling This Way   Polina Griffith   dance   \n",
 247 |        "8  8FA1D3BE     И вновь продолжается бой               NaN  ruspop   \n",
 248 |        "9  E772D5C0                    Pessimist               NaN   dance   \n",
 249 |        "\n",
 250 |        "             City        time        Day  \n",
 251 |        "0  Saint-Petersburg  20:28:33  Wednesday  \n",
 252 |        "1            Moscow  14:07:09     Friday  \n",
 253 |        "2  Saint-Petersburg  20:58:07  Wednesday  \n",
 254 |        "3  Saint-Petersburg  08:37:09     Monday  \n",
 255 |        "4            Moscow  08:34:34     Monday  \n",
 256 |        "5  Saint-Petersburg  13:09:41     Friday  \n",
 257 |        "6            Moscow  13:00:07  Wednesday  \n",
 258 |        "7            Moscow  20:47:49  Wednesday  \n",
 259 |        "8            Moscow  09:17:40     Friday  \n",
 260 |        "9  Saint-Petersburg  21:20:49  Wednesday  "
 261 |       ]
 262 |      },
 263 |      "execution_count": 3,
 264 |      "metadata": {},
 265 |      "output_type": "execute_result"
 266 |     }
 267 |    ],
 268 |    "source": [
 269 |     "df.head(10) # получение первых 10 строк таблицы df"
 270 |    ]
 271 |   },
 272 |   {
 273 |    "cell_type": "markdown",
 274 |    "metadata": {
 275 |     "id": "EO73Kwic_Zct"
 276 |    },
 277 |    "source": [
 278 |     "Одной командой получаем общую информацию о таблице:"
 279 |    ]
 280 |   },
 281 |   {
 282 |    "cell_type": "code",
 283 |    "execution_count": 4,
 284 |    "metadata": {
 285 |     "id": "DSf2kIb-_Zct"
 286 |    },
 287 |    "outputs": [
 288 |     {
 289 |      "name": "stdout",
 290 |      "output_type": "stream",
 291 |      "text": [
 292 |       "<class 'pandas.core.frame.DataFrame'>\n",
 293 |       "RangeIndex: 65079 entries, 0 to 65078\n",
 294 |       "Data columns (total 7 columns):\n",
 295 |       " #   Column    Non-Null Count  Dtype \n",
 296 |       "---  ------    --------------  ----- \n",
 297 |       " 0     userID  65079 non-null  object\n",
 298 |       " 1   Track     63848 non-null  object\n",
 299 |       " 2   artist    57876 non-null  object\n",
 300 |       " 3   genre     63881 non-null  object\n",
 301 |       " 4     City    65079 non-null  object\n",
 302 |       " 5   time      65079 non-null  object\n",
 303 |       " 6   Day       65079 non-null  object\n",
 304 |       "dtypes: object(7)\n",
 305 |       "memory usage: 3.5+ MB\n"
 306 |      ]
 307 |     }
 308 |    ],
 309 |    "source": [
 310 |     "df.info()# получение общей информации о данных в таблице df"
 311 |    ]
 312 |   },
 313 |   {
 314 |    "cell_type": "markdown",
 315 |    "metadata": {
 316 |     "id": "TaQ2Iwbr_Zct"
 317 |    },
 318 |    "source": [
 319 |     "Итак, в таблице семь столбцов. Тип данных во всех столбцах — `object`.\n",
 320 |     "\n",
 321 |     "Согласно документации к данным:\n",
 322 |     "* `userID` — идентификатор пользователя;\n",
 323 |     "* `Track` — название трека;  \n",
 324 |     "* `artist` — имя исполнителя;\n",
 325 |     "* `genre` — название жанра;\n",
 326 |     "* `City` — город пользователя;\n",
 327 |     "* `time` — время начала прослушивания;\n",
 328 |     "* `Day` — день недели.\n",
 329 |     "\n",
 330 |     "В названиях колонок видны три нарушения стиля:\n",
 331 |     "1. Строчные буквы сочетаются с прописными.\n",
 332 |     "2. Встречаются пробелы.\n",
 333 |     "3. Используется CamelCase.\n",
 334 |     "\n",
 335 |     "\n",
 336 |     "\n",
 337 |     "Количество значений в столбцах различается. Значит, в данных есть пропущенные значения.\n"
 338 |    ]
 339 |   },
 340 |   {
 341 |    "cell_type": "markdown",
 342 |    "metadata": {
 343 |     "id": "MCB6-dXG_Zct"
 344 |    },
 345 |    "source": [
 346 |     "**Выводы**\n",
 347 |     "\n",
 348 |     "В каждой строке таблицы — данные о прослушанном треке. Часть колонок описывает саму композицию: название, исполнителя и жанр. Остальные данные рассказывают о пользователе: из какого он города, когда он слушал музыку. \n",
 349 |     "\n",
 350 |     "Предварительно можно утверждать, что, данных достаточно для проверки гипотез. Но встречаются пропуски в данных, а в названиях колонок — расхождения с хорошим стилем.\n",
 351 |     "\n",
 352 |     "Чтобы двигаться дальше, нужно устранить проблемы в данных."
 353 |    ]
 354 |   },
 355 |   {
 356 |    "cell_type": "markdown",
 357 |    "metadata": {
 358 |     "id": "SjYF6Ub9_Zct"
 359 |    },
 360 |    "source": [
 361 |     "## Предобработка данных\n",
 362 |     "Исправим стиль в заголовках столбцов, исключим пропуски. Затем проверим данные на дубликаты."
 363 |    ]
 364 |   },
 365 |   {
 366 |    "cell_type": "markdown",
 367 |    "metadata": {
 368 |     "id": "dIaKXr29_Zct"
 369 |    },
 370 |    "source": [
 371 |     "### Стиль заголовков\n",
 372 |     "Выведем на экран названия столбцов:"
 373 |    ]
 374 |   },
 375 |   {
 376 |    "cell_type": "code",
 377 |    "execution_count": 5,
 378 |    "metadata": {
 379 |     "id": "oKOTdF_Q_Zct"
 380 |    },
 381 |    "outputs": [
 382 |     {
 383 |      "data": {
 384 |       "text/plain": [
 385 |        "Index(['  userID', 'Track', 'artist', 'genre', '  City  ', 'time', 'Day'], dtype='object')"
 386 |       ]
 387 |      },
 388 |      "execution_count": 5,
 389 |      "metadata": {},
 390 |      "output_type": "execute_result"
 391 |     }
 392 |    ],
 393 |    "source": [
 394 |     "df.columns  # перечень названий столбцов таблицы df"
 395 |    ]
 396 |   },
 397 |   {
 398 |    "cell_type": "markdown",
 399 |    "metadata": {
 400 |     "id": "zj5534cv_Zct"
 401 |    },
 402 |    "source": [
 403 |     "Приведем названия в соответствие с хорошим стилем:\n",
 404 |     "* несколько слов в названии запишем в «змеином_регистре»,\n",
 405 |     "* все символы сделаем строчными,\n",
 406 |     "* устраним пробелы.\n",
 407 |     "\n",
 408 |     "Для этого переименум колонки так:\n",
 409 |     "* `'  userID'` → `'user_id'`;\n",
 410 |     "* `'Track'` → `'track'`;\n",
 411 |     "* `'  City  '` → `'city'`;\n",
 412 |     "* `'Day'` → `'day'`."
 413 |    ]
 414 |   },
 415 |   {
 416 |    "cell_type": "code",
 417 |    "execution_count": 6,
 418 |    "metadata": {
 419 |     "id": "ISlFqs5y_Zct"
 420 |    },
 421 |    "outputs": [],
 422 |    "source": [
 423 |     "df = df.rename(columns={'  userID':'user_id', 'Track':'track', '  City  ':'city', 'Day':'day'})# переименование столбцов"
 424 |    ]
 425 |   },
 426 |   {
 427 |    "cell_type": "markdown",
 428 |    "metadata": {
 429 |     "id": "1dqbh00J_Zct"
 430 |    },
 431 |    "source": [
 432 |     "Проверка результата:"
 433 |    ]
 434 |   },
 435 |   {
 436 |    "cell_type": "code",
 437 |    "execution_count": 7,
 438 |    "metadata": {
 439 |     "id": "d4NOAmTW_Zct"
 440 |    },
 441 |    "outputs": [
 442 |     {
 443 |      "data": {
 444 |       "text/plain": [
 445 |        "Index(['user_id', 'track', 'artist', 'genre', 'city', 'time', 'day'], dtype='object')"
 446 |       ]
 447 |      },
 448 |      "execution_count": 7,
 449 |      "metadata": {},
 450 |      "output_type": "execute_result"
 451 |     }
 452 |    ],
 453 |    "source": [
 454 |     "df.columns # проверка результатов - перечень названий столбцов"
 455 |    ]
 456 |   },
 457 |   {
 458 |    "cell_type": "markdown",
 459 |    "metadata": {
 460 |     "id": "5ISfbcfY_Zct"
 461 |    },
 462 |    "source": [
 463 |     "### Пропуски значений\n",
 464 |     "Подсчитаем, сколько в таблице пропущенных значений. Для этого достаточно двух методов `pandas`:"
 465 |    ]
 466 |   },
 467 |   {
 468 |    "cell_type": "code",
 469 |    "execution_count": 8,
 470 |    "metadata": {
 471 |     "id": "RskX29qr_Zct"
 472 |    },
 473 |    "outputs": [
 474 |     {
 475 |      "data": {
 476 |       "text/plain": [
 477 |        "user_id       0\n",
 478 |        "track      1231\n",
 479 |        "artist     7203\n",
 480 |        "genre      1198\n",
 481 |        "city          0\n",
 482 |        "time          0\n",
 483 |        "day           0\n",
 484 |        "dtype: int64"
 485 |       ]
 486 |      },
 487 |      "execution_count": 8,
 488 |      "metadata": {},
 489 |      "output_type": "execute_result"
 490 |     }
 491 |    ],
 492 |    "source": [
 493 |     "df.isna().sum() # подсчёт пропусков"
 494 |    ]
 495 |   },
 496 |   {
 497 |    "cell_type": "markdown",
 498 |    "metadata": {
 499 |     "id": "qubhgnlO_Zct"
 500 |    },
 501 |    "source": [
 502 |     "Не все пропущенные значения влияют на исследование. Так в `track` и `artist` пропуски не важны для нашей работы. Достаточно заменить их явными обозначениями.\n",
 503 |     "\n",
 504 |     "Но пропуски в `genre` могут помешать сравнению музыкальных вкусов в Москве и Санкт-Петербурге. На практике было бы правильно установить причину пропусков и восстановить данные. Такой возможности нет в учебном проекте. Придётся:\n",
 505 |     "* заполнить и эти пропуски явными обозначениями,\n",
 506 |     "* оценить, насколько они повредят расчётам. "
 507 |    ]
 508 |   },
 509 |   {
 510 |    "cell_type": "markdown",
 511 |    "metadata": {
 512 |     "id": "fSv2laPA_Zct"
 513 |    },
 514 |    "source": [
 515 |     "Заменим пропущенные значения в столбцах `track`, `artist` и `genre` на строку `'unknown'`. Для этого создадим список `columns_to_replace`, переберем его элементы циклом `for` и для каждого столбца выполним замену пропущенных значений:"
 516 |    ]
 517 |   },
 518 |   {
 519 |    "cell_type": "code",
 520 |    "execution_count": 9,
 521 |    "metadata": {
 522 |     "id": "KplB5qWs_Zct"
 523 |    },
 524 |    "outputs": [],
 525 |    "source": [
 526 |     "columns_to_replace = ['track', 'artist', 'genre'] # создаем список столбцов, пропущенные значения которых будут обновлены\n",
 527 |     "\n",
 528 |     "for colunm in columns_to_replace:\n",
 529 |     "    df[colunm] = df[colunm].fillna('unknown')# перебор названий столбцов в цикле и замена пропущенных значений на 'unknown'"
 530 |    ]
 531 |   },
 532 |   {
 533 |    "cell_type": "markdown",
 534 |    "metadata": {
 535 |     "id": "Ilsm-MZo_Zct"
 536 |    },
 537 |    "source": [
 538 |     "Убеждаемся, что в таблице не осталось пропусков. Для этого ещё раз посчитаем пропущенные значения."
 539 |    ]
 540 |   },
 541 |   {
 542 |    "cell_type": "code",
 543 |    "execution_count": 10,
 544 |    "metadata": {
 545 |     "id": "Tq4nYRX4_Zct"
 546 |    },
 547 |    "outputs": [
 548 |     {
 549 |      "data": {
 550 |       "text/plain": [
 551 |        "user_id    0\n",
 552 |        "track      0\n",
 553 |        "artist     0\n",
 554 |        "genre      0\n",
 555 |        "city       0\n",
 556 |        "time       0\n",
 557 |        "day        0\n",
 558 |        "dtype: int64"
 559 |       ]
 560 |      },
 561 |      "execution_count": 10,
 562 |      "metadata": {},
 563 |      "output_type": "execute_result"
 564 |     }
 565 |    ],
 566 |    "source": [
 567 |     "df.isna().sum() # подсчёт пропусков"
 568 |    ]
 569 |   },
 570 |   {
 571 |    "cell_type": "markdown",
 572 |    "metadata": {
 573 |     "id": "BWKRtBJ3_Zct"
 574 |    },
 575 |    "source": [
 576 |     "### Дубликаты\n",
 577 |     "Считаем явные дубликаты в таблице одной командой:"
 578 |    ]
 579 |   },
 580 |   {
 581 |    "cell_type": "code",
 582 |    "execution_count": 11,
 583 |    "metadata": {
 584 |     "id": "36eES_S0_Zct"
 585 |    },
 586 |    "outputs": [
 587 |     {
 588 |      "data": {
 589 |       "text/plain": [
 590 |        "3826"
 591 |       ]
 592 |      },
 593 |      "execution_count": 11,
 594 |      "metadata": {},
 595 |      "output_type": "execute_result"
 596 |     }
 597 |    ],
 598 |    "source": [
 599 |     "df.duplicated().sum() # подсчёт явных дубликатов"
 600 |    ]
 601 |   },
 602 |   {
 603 |    "cell_type": "markdown",
 604 |    "metadata": {
 605 |     "id": "Ot25h6XR_Zct"
 606 |    },
 607 |    "source": [
 608 |     "Вызываем специальный метод `pandas`, чтобы удалить явные дубликаты:"
 609 |    ]
 610 |   },
 611 |   {
 612 |    "cell_type": "code",
 613 |    "execution_count": 12,
 614 |    "metadata": {
 615 |     "id": "exFHq6tt_Zct"
 616 |    },
 617 |    "outputs": [],
 618 |    "source": [
 619 |     "df = df.drop_duplicates().reset_index(drop=True) # удаление явных дубликатов (с удалением старых индексов и формированием новых)"
 620 |    ]
 621 |   },
 622 |   {
 623 |    "cell_type": "markdown",
 624 |    "metadata": {
 625 |     "id": "Im2YwBEG_Zct"
 626 |    },
 627 |    "source": [
 628 |     "Ещё раз считаем явные дубликаты в таблице и убеждаемся, что полностью от них избавились:"
 629 |    ]
 630 |   },
 631 |   {
 632 |    "cell_type": "code",
 633 |    "execution_count": 13,
 634 |    "metadata": {
 635 |     "id": "-8PuNWQ0_Zct"
 636 |    },
 637 |    "outputs": [
 638 |     {
 639 |      "data": {
 640 |       "text/plain": [
 641 |        "0"
 642 |       ]
 643 |      },
 644 |      "execution_count": 13,
 645 |      "metadata": {},
 646 |      "output_type": "execute_result"
 647 |     }
 648 |    ],
 649 |    "source": [
 650 |     "df.duplicated().sum() # проверка на отсутствие дубликатов"
 651 |    ]
 652 |   },
 653 |   {
 654 |    "cell_type": "markdown",
 655 |    "metadata": {
 656 |     "id": "QlFBsxAr_Zct"
 657 |    },
 658 |    "source": [
 659 |     "Теперь избавляемся от неявных дубликатов в колонке `genre`. Например, название одного и того же жанра может быть записано немного по-разному. Такие ошибки тоже повлияют на результат исследования."
 660 |    ]
 661 |   },
 662 |   {
 663 |    "cell_type": "markdown",
 664 |    "metadata": {
 665 |     "id": "eSjWwsOh_Zct"
 666 |    },
 667 |    "source": [
 668 |     "Выведим на экран список уникальных названий жанров, отсортированный в алфавитном порядке. Для этого:\n",
 669 |     "* извлекаем нужный столбец датафрейма, \n",
 670 |     "* применим к нему метод сортировки,\n",
 671 |     "* для отсортированного столбца вызовем метод, который вернёт уникальные значения из столбца."
 672 |    ]
 673 |   },
 674 |   {
 675 |    "cell_type": "code",
 676 |    "execution_count": 14,
 677 |    "metadata": {
 678 |     "id": "JIUcqzZN_Zct",
 679 |     "scrolled": true
 680 |    },
 681 |    "outputs": [
 682 |     {
 683 |      "data": {
 684 |       "text/plain": [
 685 |        "['acid',\n",
 686 |        " 'acoustic',\n",
 687 |        " 'action',\n",
 688 |        " 'adult',\n",
 689 |        " 'africa',\n",
 690 |        " 'afrikaans',\n",
 691 |        " 'alternative',\n",
 692 |        " 'alternativepunk',\n",
 693 |        " 'ambient',\n",
 694 |        " 'americana',\n",
 695 |        " 'animated',\n",
 696 |        " 'anime',\n",
 697 |        " 'arabesk',\n",
 698 |        " 'arabic',\n",
 699 |        " 'arena',\n",
 700 |        " 'argentinetango',\n",
 701 |        " 'art',\n",
 702 |        " 'audiobook',\n",
 703 |        " 'author',\n",
 704 |        " 'avantgarde',\n",
 705 |        " 'axé',\n",
 706 |        " 'baile',\n",
 707 |        " 'balkan',\n",
 708 |        " 'beats',\n",
 709 |        " 'bigroom',\n",
 710 |        " 'black',\n",
 711 |        " 'bluegrass',\n",
 712 |        " 'blues',\n",
 713 |        " 'bollywood',\n",
 714 |        " 'bossa',\n",
 715 |        " 'brazilian',\n",
 716 |        " 'breakbeat',\n",
 717 |        " 'breaks',\n",
 718 |        " 'broadway',\n",
 719 |        " 'cantautori',\n",
 720 |        " 'cantopop',\n",
 721 |        " 'canzone',\n",
 722 |        " 'caribbean',\n",
 723 |        " 'caucasian',\n",
 724 |        " 'celtic',\n",
 725 |        " 'chamber',\n",
 726 |        " 'chanson',\n",
 727 |        " 'children',\n",
 728 |        " 'chill',\n",
 729 |        " 'chinese',\n",
 730 |        " 'choral',\n",
 731 |        " 'christian',\n",
 732 |        " 'christmas',\n",
 733 |        " 'classical',\n",
 734 |        " 'classicmetal',\n",
 735 |        " 'club',\n",
 736 |        " 'colombian',\n",
 737 |        " 'comedy',\n",
 738 |        " 'conjazz',\n",
 739 |        " 'contemporary',\n",
 740 |        " 'country',\n",
 741 |        " 'cuban',\n",
 742 |        " 'dance',\n",
 743 |        " 'dancehall',\n",
 744 |        " 'dancepop',\n",
 745 |        " 'dark',\n",
 746 |        " 'death',\n",
 747 |        " 'deep',\n",
 748 |        " 'deutschrock',\n",
 749 |        " 'deutschspr',\n",
 750 |        " 'dirty',\n",
 751 |        " 'disco',\n",
 752 |        " 'dnb',\n",
 753 |        " 'documentary',\n",
 754 |        " 'downbeat',\n",
 755 |        " 'downtempo',\n",
 756 |        " 'drum',\n",
 757 |        " 'dub',\n",
 758 |        " 'dubstep',\n",
 759 |        " 'eastern',\n",
 760 |        " 'easy',\n",
 761 |        " 'electronic',\n",
 762 |        " 'electropop',\n",
 763 |        " 'emo',\n",
 764 |        " 'entehno',\n",
 765 |        " 'epicmetal',\n",
 766 |        " 'estrada',\n",
 767 |        " 'ethnic',\n",
 768 |        " 'eurofolk',\n",
 769 |        " 'european',\n",
 770 |        " 'experimental',\n",
 771 |        " 'extrememetal',\n",
 772 |        " 'fado',\n",
 773 |        " 'fairytail',\n",
 774 |        " 'film',\n",
 775 |        " 'fitness',\n",
 776 |        " 'flamenco',\n",
 777 |        " 'folk',\n",
 778 |        " 'folklore',\n",
 779 |        " 'folkmetal',\n",
 780 |        " 'folkrock',\n",
 781 |        " 'folktronica',\n",
 782 |        " 'forró',\n",
 783 |        " 'frankreich',\n",
 784 |        " 'französisch',\n",
 785 |        " 'french',\n",
 786 |        " 'funk',\n",
 787 |        " 'future',\n",
 788 |        " 'gangsta',\n",
 789 |        " 'garage',\n",
 790 |        " 'german',\n",
 791 |        " 'ghazal',\n",
 792 |        " 'gitarre',\n",
 793 |        " 'glitch',\n",
 794 |        " 'gospel',\n",
 795 |        " 'gothic',\n",
 796 |        " 'grime',\n",
 797 |        " 'grunge',\n",
 798 |        " 'gypsy',\n",
 799 |        " 'handsup',\n",
 800 |        " \"hard'n'heavy\",\n",
 801 |        " 'hardcore',\n",
 802 |        " 'hardstyle',\n",
 803 |        " 'hardtechno',\n",
 804 |        " 'hip',\n",
 805 |        " 'hip-hop',\n",
 806 |        " 'hiphop',\n",
 807 |        " 'historisch',\n",
 808 |        " 'holiday',\n",
 809 |        " 'hop',\n",
 810 |        " 'horror',\n",
 811 |        " 'house',\n",
 812 |        " 'hymn',\n",
 813 |        " 'idm',\n",
 814 |        " 'independent',\n",
 815 |        " 'indian',\n",
 816 |        " 'indie',\n",
 817 |        " 'indipop',\n",
 818 |        " 'industrial',\n",
 819 |        " 'inspirational',\n",
 820 |        " 'instrumental',\n",
 821 |        " 'international',\n",
 822 |        " 'irish',\n",
 823 |        " 'jam',\n",
 824 |        " 'japanese',\n",
 825 |        " 'jazz',\n",
 826 |        " 'jewish',\n",
 827 |        " 'jpop',\n",
 828 |        " 'jungle',\n",
 829 |        " 'k-pop',\n",
 830 |        " 'karadeniz',\n",
 831 |        " 'karaoke',\n",
 832 |        " 'kayokyoku',\n",
 833 |        " 'korean',\n",
 834 |        " 'laiko',\n",
 835 |        " 'latin',\n",
 836 |        " 'latino',\n",
 837 |        " 'leftfield',\n",
 838 |        " 'local',\n",
 839 |        " 'lounge',\n",
 840 |        " 'loungeelectronic',\n",
 841 |        " 'lovers',\n",
 842 |        " 'malaysian',\n",
 843 |        " 'mandopop',\n",
 844 |        " 'marschmusik',\n",
 845 |        " 'meditative',\n",
 846 |        " 'mediterranean',\n",
 847 |        " 'melodic',\n",
 848 |        " 'metal',\n",
 849 |        " 'metalcore',\n",
 850 |        " 'mexican',\n",
 851 |        " 'middle',\n",
 852 |        " 'minimal',\n",
 853 |        " 'miscellaneous',\n",
 854 |        " 'modern',\n",
 855 |        " 'mood',\n",
 856 |        " 'mpb',\n",
 857 |        " 'muslim',\n",
 858 |        " 'native',\n",
 859 |        " 'neoklassik',\n",
 860 |        " 'neue',\n",
 861 |        " 'new',\n",
 862 |        " 'newage',\n",
 863 |        " 'newwave',\n",
 864 |        " 'nu',\n",
 865 |        " 'nujazz',\n",
 866 |        " 'numetal',\n",
 867 |        " 'oceania',\n",
 868 |        " 'old',\n",
 869 |        " 'opera',\n",
 870 |        " 'orchestral',\n",
 871 |        " 'other',\n",
 872 |        " 'piano',\n",
 873 |        " 'podcasts',\n",
 874 |        " 'pop',\n",
 875 |        " 'popdance',\n",
 876 |        " 'popelectronic',\n",
 877 |        " 'popeurodance',\n",
 878 |        " 'poprussian',\n",
 879 |        " 'post',\n",
 880 |        " 'posthardcore',\n",
 881 |        " 'postrock',\n",
 882 |        " 'power',\n",
 883 |        " 'progmetal',\n",
 884 |        " 'progressive',\n",
 885 |        " 'psychedelic',\n",
 886 |        " 'punjabi',\n",
 887 |        " 'punk',\n",
 888 |        " 'quebecois',\n",
 889 |        " 'ragga',\n",
 890 |        " 'ram',\n",
 891 |        " 'rancheras',\n",
 892 |        " 'rap',\n",
 893 |        " 'rave',\n",
 894 |        " 'reggae',\n",
 895 |        " 'reggaeton',\n",
 896 |        " 'regional',\n",
 897 |        " 'relax',\n",
 898 |        " 'religious',\n",
 899 |        " 'retro',\n",
 900 |        " 'rhythm',\n",
 901 |        " 'rnb',\n",
 902 |        " 'rnr',\n",
 903 |        " 'rock',\n",
 904 |        " 'rockabilly',\n",
 905 |        " 'rockalternative',\n",
 906 |        " 'rockindie',\n",
 907 |        " 'rockother',\n",
 908 |        " 'romance',\n",
 909 |        " 'roots',\n",
 910 |        " 'ruspop',\n",
 911 |        " 'rusrap',\n",
 912 |        " 'rusrock',\n",
 913 |        " 'russian',\n",
 914 |        " 'salsa',\n",
 915 |        " 'samba',\n",
 916 |        " 'scenic',\n",
 917 |        " 'schlager',\n",
 918 |        " 'self',\n",
 919 |        " 'sertanejo',\n",
 920 |        " 'shanson',\n",
 921 |        " 'shoegazing',\n",
 922 |        " 'showtunes',\n",
 923 |        " 'singer',\n",
 924 |        " 'ska',\n",
 925 |        " 'skarock',\n",
 926 |        " 'slow',\n",
 927 |        " 'smooth',\n",
 928 |        " 'soft',\n",
 929 |        " 'soul',\n",
 930 |        " 'soulful',\n",
 931 |        " 'sound',\n",
 932 |        " 'soundtrack',\n",
 933 |        " 'southern',\n",
 934 |        " 'specialty',\n",
 935 |        " 'speech',\n",
 936 |        " 'spiritual',\n",
 937 |        " 'sport',\n",
 938 |        " 'stonerrock',\n",
 939 |        " 'surf',\n",
 940 |        " 'swing',\n",
 941 |        " 'synthpop',\n",
 942 |        " 'synthrock',\n",
 943 |        " 'sängerportrait',\n",
 944 |        " 'tango',\n",
 945 |        " 'tanzorchester',\n",
 946 |        " 'taraftar',\n",
 947 |        " 'tatar',\n",
 948 |        " 'tech',\n",
 949 |        " 'techno',\n",
 950 |        " 'teen',\n",
 951 |        " 'thrash',\n",
 952 |        " 'top',\n",
 953 |        " 'traditional',\n",
 954 |        " 'tradjazz',\n",
 955 |        " 'trance',\n",
 956 |        " 'tribal',\n",
 957 |        " 'trip',\n",
 958 |        " 'triphop',\n",
 959 |        " 'tropical',\n",
 960 |        " 'türk',\n",
 961 |        " 'türkçe',\n",
 962 |        " 'ukrrock',\n",
 963 |        " 'unknown',\n",
 964 |        " 'urban',\n",
 965 |        " 'uzbek',\n",
 966 |        " 'variété',\n",
 967 |        " 'vi',\n",
 968 |        " 'videogame',\n",
 969 |        " 'vocal',\n",
 970 |        " 'western',\n",
 971 |        " 'world',\n",
 972 |        " 'worldbeat',\n",
 973 |        " 'ïîï',\n",
 974 |        " 'электроника']"
 975 |       ]
 976 |      },
 977 |      "execution_count": 14,
 978 |      "metadata": {},
 979 |      "output_type": "execute_result"
 980 |     }
 981 |    ],
 982 |    "source": [
 983 |     "sorted(df['genre'].unique()) # Просмотр уникальных названий жанров"
 984 |    ]
 985 |   },
 986 |   {
 987 |    "cell_type": "markdown",
 988 |    "metadata": {
 989 |     "id": "qej-Qmuo_Zct"
 990 |    },
 991 |    "source": [
 992 |     "Видим неявные дубликаты названия `hiphop`. Это могут быть названия с ошибками или альтернативные названия того же жанра:\n",
 993 |     "* *hip*,\n",
 994 |     "* *hop*,\n",
 995 |     "* *hip-hop*.\n"
 996 |    ]
 997 |   },
 998 |   {
 999 |    "cell_type": "code",
1000 |    "execution_count": 15,
1001 |    "metadata": {
1002 |     "id": "YN5i2hpmSo09"
1003 |    },
1004 |    "outputs": [],
1005 |    "source": [
1006 |     "# Устранение неявных дубликатов\n",
1007 |     "\n",
1008 |     "df['genre'] = df['genre'].replace(['hip', 'hop', 'hip-hop'], 'hiphop')\n"
1009 |    ]
1010 |   },
1011 |   {
1012 |    "cell_type": "markdown",
1013 |    "metadata": {
1014 |     "id": "zQKF16_RG15m"
1015 |    },
1016 |    "source": [
1017 |     "Проверим, что заменили неправильные названия:\n",
1018 |     "\n",
1019 |     "*   hip\n",
1020 |     "*   hop\n",
1021 |     "*   hip-hop\n",
1022 |     "\n",
1023 |     "Выведем отсортированный список уникальных значений столбца `genre`:"
1024 |    ]
1025 |   },
1026 |   {
1027 |    "cell_type": "code",
1028 |    "execution_count": 16,
1029 |    "metadata": {
1030 |     "id": "wvixALnFG15m"
1031 |    },
1032 |    "outputs": [
1033 |     {
1034 |      "data": {
1035 |       "text/plain": [
1036 |        "['acid',\n",
1037 |        " 'acoustic',\n",
1038 |        " 'action',\n",
1039 |        " 'adult',\n",
1040 |        " 'africa',\n",
1041 |        " 'afrikaans',\n",
1042 |        " 'alternative',\n",
1043 |        " 'alternativepunk',\n",
1044 |        " 'ambient',\n",
1045 |        " 'americana',\n",
1046 |        " 'animated',\n",
1047 |        " 'anime',\n",
1048 |        " 'arabesk',\n",
1049 |        " 'arabic',\n",
1050 |        " 'arena',\n",
1051 |        " 'argentinetango',\n",
1052 |        " 'art',\n",
1053 |        " 'audiobook',\n",
1054 |        " 'author',\n",
1055 |        " 'avantgarde',\n",
1056 |        " 'axé',\n",
1057 |        " 'baile',\n",
1058 |        " 'balkan',\n",
1059 |        " 'beats',\n",
1060 |        " 'bigroom',\n",
1061 |        " 'black',\n",
1062 |        " 'bluegrass',\n",
1063 |        " 'blues',\n",
1064 |        " 'bollywood',\n",
1065 |        " 'bossa',\n",
1066 |        " 'brazilian',\n",
1067 |        " 'breakbeat',\n",
1068 |        " 'breaks',\n",
1069 |        " 'broadway',\n",
1070 |        " 'cantautori',\n",
1071 |        " 'cantopop',\n",
1072 |        " 'canzone',\n",
1073 |        " 'caribbean',\n",
1074 |        " 'caucasian',\n",
1075 |        " 'celtic',\n",
1076 |        " 'chamber',\n",
1077 |        " 'chanson',\n",
1078 |        " 'children',\n",
1079 |        " 'chill',\n",
1080 |        " 'chinese',\n",
1081 |        " 'choral',\n",
1082 |        " 'christian',\n",
1083 |        " 'christmas',\n",
1084 |        " 'classical',\n",
1085 |        " 'classicmetal',\n",
1086 |        " 'club',\n",
1087 |        " 'colombian',\n",
1088 |        " 'comedy',\n",
1089 |        " 'conjazz',\n",
1090 |        " 'contemporary',\n",
1091 |        " 'country',\n",
1092 |        " 'cuban',\n",
1093 |        " 'dance',\n",
1094 |        " 'dancehall',\n",
1095 |        " 'dancepop',\n",
1096 |        " 'dark',\n",
1097 |        " 'death',\n",
1098 |        " 'deep',\n",
1099 |        " 'deutschrock',\n",
1100 |        " 'deutschspr',\n",
1101 |        " 'dirty',\n",
1102 |        " 'disco',\n",
1103 |        " 'dnb',\n",
1104 |        " 'documentary',\n",
1105 |        " 'downbeat',\n",
1106 |        " 'downtempo',\n",
1107 |        " 'drum',\n",
1108 |        " 'dub',\n",
1109 |        " 'dubstep',\n",
1110 |        " 'eastern',\n",
1111 |        " 'easy',\n",
1112 |        " 'electronic',\n",
1113 |        " 'electropop',\n",
1114 |        " 'emo',\n",
1115 |        " 'entehno',\n",
1116 |        " 'epicmetal',\n",
1117 |        " 'estrada',\n",
1118 |        " 'ethnic',\n",
1119 |        " 'eurofolk',\n",
1120 |        " 'european',\n",
1121 |        " 'experimental',\n",
1122 |        " 'extrememetal',\n",
1123 |        " 'fado',\n",
1124 |        " 'fairytail',\n",
1125 |        " 'film',\n",
1126 |        " 'fitness',\n",
1127 |        " 'flamenco',\n",
1128 |        " 'folk',\n",
1129 |        " 'folklore',\n",
1130 |        " 'folkmetal',\n",
1131 |        " 'folkrock',\n",
1132 |        " 'folktronica',\n",
1133 |        " 'forró',\n",
1134 |        " 'frankreich',\n",
1135 |        " 'französisch',\n",
1136 |        " 'french',\n",
1137 |        " 'funk',\n",
1138 |        " 'future',\n",
1139 |        " 'gangsta',\n",
1140 |        " 'garage',\n",
1141 |        " 'german',\n",
1142 |        " 'ghazal',\n",
1143 |        " 'gitarre',\n",
1144 |        " 'glitch',\n",
1145 |        " 'gospel',\n",
1146 |        " 'gothic',\n",
1147 |        " 'grime',\n",
1148 |        " 'grunge',\n",
1149 |        " 'gypsy',\n",
1150 |        " 'handsup',\n",
1151 |        " \"hard'n'heavy\",\n",
1152 |        " 'hardcore',\n",
1153 |        " 'hardstyle',\n",
1154 |        " 'hardtechno',\n",
1155 |        " 'hiphop',\n",
1156 |        " 'historisch',\n",
1157 |        " 'holiday',\n",
1158 |        " 'horror',\n",
1159 |        " 'house',\n",
1160 |        " 'hymn',\n",
1161 |        " 'idm',\n",
1162 |        " 'independent',\n",
1163 |        " 'indian',\n",
1164 |        " 'indie',\n",
1165 |        " 'indipop',\n",
1166 |        " 'industrial',\n",
1167 |        " 'inspirational',\n",
1168 |        " 'instrumental',\n",
1169 |        " 'international',\n",
1170 |        " 'irish',\n",
1171 |        " 'jam',\n",
1172 |        " 'japanese',\n",
1173 |        " 'jazz',\n",
1174 |        " 'jewish',\n",
1175 |        " 'jpop',\n",
1176 |        " 'jungle',\n",
1177 |        " 'k-pop',\n",
1178 |        " 'karadeniz',\n",
1179 |        " 'karaoke',\n",
1180 |        " 'kayokyoku',\n",
1181 |        " 'korean',\n",
1182 |        " 'laiko',\n",
1183 |        " 'latin',\n",
1184 |        " 'latino',\n",
1185 |        " 'leftfield',\n",
1186 |        " 'local',\n",
1187 |        " 'lounge',\n",
1188 |        " 'loungeelectronic',\n",
1189 |        " 'lovers',\n",
1190 |        " 'malaysian',\n",
1191 |        " 'mandopop',\n",
1192 |        " 'marschmusik',\n",
1193 |        " 'meditative',\n",
1194 |        " 'mediterranean',\n",
1195 |        " 'melodic',\n",
1196 |        " 'metal',\n",
1197 |        " 'metalcore',\n",
1198 |        " 'mexican',\n",
1199 |        " 'middle',\n",
1200 |        " 'minimal',\n",
1201 |        " 'miscellaneous',\n",
1202 |        " 'modern',\n",
1203 |        " 'mood',\n",
1204 |        " 'mpb',\n",
1205 |        " 'muslim',\n",
1206 |        " 'native',\n",
1207 |        " 'neoklassik',\n",
1208 |        " 'neue',\n",
1209 |        " 'new',\n",
1210 |        " 'newage',\n",
1211 |        " 'newwave',\n",
1212 |        " 'nu',\n",
1213 |        " 'nujazz',\n",
1214 |        " 'numetal',\n",
1215 |        " 'oceania',\n",
1216 |        " 'old',\n",
1217 |        " 'opera',\n",
1218 |        " 'orchestral',\n",
1219 |        " 'other',\n",
1220 |        " 'piano',\n",
1221 |        " 'podcasts',\n",
1222 |        " 'pop',\n",
1223 |        " 'popdance',\n",
1224 |        " 'popelectronic',\n",
1225 |        " 'popeurodance',\n",
1226 |        " 'poprussian',\n",
1227 |        " 'post',\n",
1228 |        " 'posthardcore',\n",
1229 |        " 'postrock',\n",
1230 |        " 'power',\n",
1231 |        " 'progmetal',\n",
1232 |        " 'progressive',\n",
1233 |        " 'psychedelic',\n",
1234 |        " 'punjabi',\n",
1235 |        " 'punk',\n",
1236 |        " 'quebecois',\n",
1237 |        " 'ragga',\n",
1238 |        " 'ram',\n",
1239 |        " 'rancheras',\n",
1240 |        " 'rap',\n",
1241 |        " 'rave',\n",
1242 |        " 'reggae',\n",
1243 |        " 'reggaeton',\n",
1244 |        " 'regional',\n",
1245 |        " 'relax',\n",
1246 |        " 'religious',\n",
1247 |        " 'retro',\n",
1248 |        " 'rhythm',\n",
1249 |        " 'rnb',\n",
1250 |        " 'rnr',\n",
1251 |        " 'rock',\n",
1252 |        " 'rockabilly',\n",
1253 |        " 'rockalternative',\n",
1254 |        " 'rockindie',\n",
1255 |        " 'rockother',\n",
1256 |        " 'romance',\n",
1257 |        " 'roots',\n",
1258 |        " 'ruspop',\n",
1259 |        " 'rusrap',\n",
1260 |        " 'rusrock',\n",
1261 |        " 'russian',\n",
1262 |        " 'salsa',\n",
1263 |        " 'samba',\n",
1264 |        " 'scenic',\n",
1265 |        " 'schlager',\n",
1266 |        " 'self',\n",
1267 |        " 'sertanejo',\n",
1268 |        " 'shanson',\n",
1269 |        " 'shoegazing',\n",
1270 |        " 'showtunes',\n",
1271 |        " 'singer',\n",
1272 |        " 'ska',\n",
1273 |        " 'skarock',\n",
1274 |        " 'slow',\n",
1275 |        " 'smooth',\n",
1276 |        " 'soft',\n",
1277 |        " 'soul',\n",
1278 |        " 'soulful',\n",
1279 |        " 'sound',\n",
1280 |        " 'soundtrack',\n",
1281 |        " 'southern',\n",
1282 |        " 'specialty',\n",
1283 |        " 'speech',\n",
1284 |        " 'spiritual',\n",
1285 |        " 'sport',\n",
1286 |        " 'stonerrock',\n",
1287 |        " 'surf',\n",
1288 |        " 'swing',\n",
1289 |        " 'synthpop',\n",
1290 |        " 'synthrock',\n",
1291 |        " 'sängerportrait',\n",
1292 |        " 'tango',\n",
1293 |        " 'tanzorchester',\n",
1294 |        " 'taraftar',\n",
1295 |        " 'tatar',\n",
1296 |        " 'tech',\n",
1297 |        " 'techno',\n",
1298 |        " 'teen',\n",
1299 |        " 'thrash',\n",
1300 |        " 'top',\n",
1301 |        " 'traditional',\n",
1302 |        " 'tradjazz',\n",
1303 |        " 'trance',\n",
1304 |        " 'tribal',\n",
1305 |        " 'trip',\n",
1306 |        " 'triphop',\n",
1307 |        " 'tropical',\n",
1308 |        " 'türk',\n",
1309 |        " 'türkçe',\n",
1310 |        " 'ukrrock',\n",
1311 |        " 'unknown',\n",
1312 |        " 'urban',\n",
1313 |        " 'uzbek',\n",
1314 |        " 'variété',\n",
1315 |        " 'vi',\n",
1316 |        " 'videogame',\n",
1317 |        " 'vocal',\n",
1318 |        " 'western',\n",
1319 |        " 'world',\n",
1320 |        " 'worldbeat',\n",
1321 |        " 'ïîï',\n",
1322 |        " 'электроника']"
1323 |       ]
1324 |      },
1325 |      "execution_count": 16,
1326 |      "metadata": {},
1327 |      "output_type": "execute_result"
1328 |     }
1329 |    ],
1330 |    "source": [
1331 |     "sorted(df['genre'].unique()) # Проверка на неявные дубликаты"
1332 |    ]
1333 |   },
1334 |   {
1335 |    "cell_type": "markdown",
1336 |    "metadata": {
1337 |     "id": "jz6a9-7HQUDd"
1338 |    },
1339 |    "source": [
1340 |     "**Выводы**\n",
1341 |     "\n",
1342 |     "Предобработка обнаружила три проблемы в данных:\n",
1343 |     "\n",
1344 |     "- нарушения в стиле заголовков,\n",
1345 |     "- пропущенные значения,\n",
1346 |     "- дубликаты — явные и неявные.\n",
1347 |     "\n",
1348 |     "Мы исправили заголовки, чтобы упростить работу с таблицей. Без дубликатов исследование станет более точным.\n",
1349 |     "\n",
1350 |     "Пропущенные значения мы заменили на `'unknown'`. Ещё предстоит увидеть, не повредят ли исследованию пропуски в колонке `genre`.\n",
1351 |     "\n",
1352 |     "Теперь можно перейти к проверке гипотез. "
1353 |    ]
1354 |   },
1355 |   {
1356 |    "cell_type": "markdown",
1357 |    "metadata": {
1358 |     "id": "WttZHXH0SqKk"
1359 |    },
1360 |    "source": [
1361 |     "## Проверка гипотез"
1362 |    ]
1363 |   },
1364 |   {
1365 |    "cell_type": "markdown",
1366 |    "metadata": {
1367 |     "id": "Im936VVi_Zcu"
1368 |    },
1369 |    "source": [
1370 |     "### Сравнение поведения пользователей двух столиц"
1371 |    ]
1372 |   },
1373 |   {
1374 |    "cell_type": "markdown",
1375 |    "metadata": {
1376 |     "id": "nwt_MuaL_Zcu"
1377 |    },
1378 |    "source": [
1379 |     "Первая гипотеза утверждает, что пользователи по-разному слушают музыку в Москве и Санкт-Петербурге. Проверим это предположение по данным о трёх днях недели — понедельнике, среде и пятнице. Для этого:\n",
1380 |     "\n",
1381 |     "* Разделим пользователей Москвы и Санкт-Петербурга\n",
1382 |     "* Сравним, сколько треков послушала каждая группа пользователей в понедельник, среду и пятницу.\n"
1383 |    ]
1384 |   },
1385 |   {
1386 |    "cell_type": "markdown",
1387 |    "metadata": {
1388 |     "id": "8Dw_YMmT_Zcu"
1389 |    },
1390 |    "source": [
1391 |     "Выполним каждый из расчётов по отдельности. \n",
1392 |     "\n",
1393 |     "Оценим активность пользователей в каждом городе. Сгруппируем данные по городу и посчитаем прослушивания в каждой группе.\n",
1394 |     "\n"
1395 |    ]
1396 |   },
1397 |   {
1398 |    "cell_type": "code",
1399 |    "execution_count": 17,
1400 |    "metadata": {
1401 |     "id": "0_Qs96oh_Zcu"
1402 |    },
1403 |    "outputs": [
1404 |     {
1405 |      "data": {
1406 |       "text/html": [
1407 |        "<div>\n",
1408 |        "<style scoped>\n",
1409 |        "    .dataframe tbody tr th:only-of-type {\n",
1410 |        "        vertical-align: middle;\n",
1411 |        "    }\n",
1412 |        "\n",
1413 |        "    .dataframe tbody tr th {\n",
1414 |        "        vertical-align: top;\n",
1415 |        "    }\n",
1416 |        "\n",
1417 |        "    .dataframe thead th {\n",
1418 |        "        text-align: right;\n",
1419 |        "    }\n",
1420 |        "</style>\n",
1421 |        "<table border=\"1\" class=\"dataframe\">\n",
1422 |        "  <thead>\n",
1423 |        "    <tr style=\"text-align: right;\">\n",
1424 |        "      <th></th>\n",
1425 |        "      <th>user_id</th>\n",
1426 |        "    </tr>\n",
1427 |        "    <tr>\n",
1428 |        "      <th>city</th>\n",
1429 |        "      <th></th>\n",
1430 |        "    </tr>\n",
1431 |        "  </thead>\n",
1432 |        "  <tbody>\n",
1433 |        "    <tr>\n",
1434 |        "      <th>Moscow</th>\n",
1435 |        "      <td>42741</td>\n",
1436 |        "    </tr>\n",
1437 |        "    <tr>\n",
1438 |        "      <th>Saint-Petersburg</th>\n",
1439 |        "      <td>18512</td>\n",
1440 |        "    </tr>\n",
1441 |        "  </tbody>\n",
1442 |        "</table>\n",
1443 |        "</div>"
1444 |       ],
1445 |       "text/plain": [
1446 |        "                  user_id\n",
1447 |        "city                     \n",
1448 |        "Moscow              42741\n",
1449 |        "Saint-Petersburg    18512"
1450 |       ]
1451 |      },
1452 |      "execution_count": 17,
1453 |      "metadata": {},
1454 |      "output_type": "execute_result"
1455 |     }
1456 |    ],
1457 |    "source": [
1458 |     "# Подсчёт прослушиваний в каждом городе\n",
1459 |     "\n",
1460 |     "city_grouping = df.groupby('city')[['user_id']].count()\n",
1461 |     "city_grouping\n"
1462 |    ]
1463 |   },
1464 |   {
1465 |    "cell_type": "markdown",
1466 |    "metadata": {
1467 |     "id": "dzli3w8o_Zcu"
1468 |    },
1469 |    "source": [
1470 |     "В Москве прослушиваний больше, чем в Петербурге. Из этого не следует, что московские пользователи чаще слушают музыку. Просто самих пользователей в Москве больше.\n",
1471 |     "\n",
1472 |     "Теперь сгруппируем данные по дню недели и подсчитаем прослушивания в понедельник, среду и пятницу. "
1473 |    ]
1474 |   },
1475 |   {
1476 |    "cell_type": "code",
1477 |    "execution_count": 18,
1478 |    "metadata": {
1479 |     "id": "uZMKjiJz_Zcu"
1480 |    },
1481 |    "outputs": [
1482 |     {
1483 |      "data": {
1484 |       "text/html": [
1485 |        "<div>\n",
1486 |        "<style scoped>\n",
1487 |        "    .dataframe tbody tr th:only-of-type {\n",
1488 |        "        vertical-align: middle;\n",
1489 |        "    }\n",
1490 |        "\n",
1491 |        "    .dataframe tbody tr th {\n",
1492 |        "        vertical-align: top;\n",
1493 |        "    }\n",
1494 |        "\n",
1495 |        "    .dataframe thead th {\n",
1496 |        "        text-align: right;\n",
1497 |        "    }\n",
1498 |        "</style>\n",
1499 |        "<table border=\"1\" class=\"dataframe\">\n",
1500 |        "  <thead>\n",
1501 |        "    <tr style=\"text-align: right;\">\n",
1502 |        "      <th></th>\n",
1503 |        "      <th>user_id</th>\n",
1504 |        "    </tr>\n",
1505 |        "    <tr>\n",
1506 |        "      <th>day</th>\n",
1507 |        "      <th></th>\n",
1508 |        "    </tr>\n",
1509 |        "  </thead>\n",
1510 |        "  <tbody>\n",
1511 |        "    <tr>\n",
1512 |        "      <th>Friday</th>\n",
1513 |        "      <td>21840</td>\n",
1514 |        "    </tr>\n",
1515 |        "    <tr>\n",
1516 |        "      <th>Monday</th>\n",
1517 |        "      <td>21354</td>\n",
1518 |        "    </tr>\n",
1519 |        "    <tr>\n",
1520 |        "      <th>Wednesday</th>\n",
1521 |        "      <td>18059</td>\n",
1522 |        "    </tr>\n",
1523 |        "  </tbody>\n",
1524 |        "</table>\n",
1525 |        "</div>"
1526 |       ],
1527 |       "text/plain": [
1528 |        "           user_id\n",
1529 |        "day               \n",
1530 |        "Friday       21840\n",
1531 |        "Monday       21354\n",
1532 |        "Wednesday    18059"
1533 |       ]
1534 |      },
1535 |      "execution_count": 18,
1536 |      "metadata": {},
1537 |      "output_type": "execute_result"
1538 |     }
1539 |    ],
1540 |    "source": [
1541 |     "# Подсчёт прослушиваний в каждый из трёх дней\n",
1542 |     "\n",
1543 |     "city_grouping = df.groupby('day')[['user_id']].count()\n",
1544 |     "city_grouping"
1545 |    ]
1546 |   },
1547 |   {
1548 |    "cell_type": "markdown",
1549 |    "metadata": {
1550 |     "id": "cC2tNrlL_Zcu"
1551 |    },
1552 |    "source": [
1553 |     "В среднем пользователи из двух городов менее активны по средам. Но картина может измениться, если рассмотреть каждый город в отдельности."
1554 |    ]
1555 |   },
1556 |   {
1557 |    "cell_type": "markdown",
1558 |    "metadata": {
1559 |     "id": "POzs8bGa_Zcu"
1560 |    },
1561 |    "source": [
1562 |     "Напишем функцию, которая объединит два эти расчёта.\n",
1563 |     "\n",
1564 |     "Создаем функцию `number_tracks()`, которая посчитает прослушивания для заданного дня и города. Ей понадобятся два параметра:\n",
1565 |     "* день недели,\n",
1566 |     "* название города.\n",
1567 |     "\n",
1568 |     "В функции сохраним в переменную строки исходной таблицы, у которых значение:\n",
1569 |     "  * в колонке `day` равно параметру `day`,\n",
1570 |     "  * в колонке `city` равно параметру `city`.\n",
1571 |     "\n",
1572 |     "Для этого применим последовательную фильтрацию с логической индексацией.\n",
1573 |     "\n",
1574 |     "Затем посчитаем значения в столбце `user_id` получившейся таблицы. Результат сохраним в новую переменную. В"
1575 |    ]
1576 |   },
1577 |   {
1578 |    "cell_type": "code",
1579 |    "execution_count": 19,
1580 |    "metadata": {
1581 |     "id": "Nz3GdQB1_Zcu"
1582 |    },
1583 |    "outputs": [],
1584 |    "source": [
1585 |     "# <создание функции number_tracks()>\n",
1586 |     "# Объявляется функция с двумя параметрами: day, city.\n",
1587 |     "# В переменной track_list сохраняются те строки таблицы df, для которых \n",
1588 |     "# значение в столбце 'day' равно параметру day и одновременно значение    \n",
1589 |     "# в столбце 'city' равно параметру city (используйте последовательную фильтрацию\n",
1590 |     "# с помощью логической индексации).\n",
1591 |     "# В переменной track_list_count сохраняется число значений столбца 'user_id',\n",
1592 |     "# рассчитанное методом count() для таблицы track_list.\n",
1593 |     "# Функция возвращает число - значение track_list_count.\n",
1594 |     "\n",
1595 |     "def number_tracks(day, city):\n",
1596 |     "    track_list = df[df['day'] == day]      \n",
1597 |     "    track_list = track_list[track_list['city'] == city]                                       \n",
1598 |     "    track_list_count = track_list['user_id'].count()\n",
1599 |     "    return track_list_count\n",
1600 |     "\n",
1601 |     "# Функция для подсчёта прослушиваний для конкретного города и дня.\n",
1602 |     "# С помощью последовательной фильтрации с логической индексацией она \n",
1603 |     "# сначала получит из исходной таблицы строки с нужным днём,\n",
1604 |     "# затем из результата отфильтрует строки с нужным городом,\n",
1605 |     "# методом count() посчитает количество значений в колонке user_id. \n",
1606 |     "# Это количество функция вернёт в качестве результата"
1607 |    ]
1608 |   },
1609 |   {
1610 |    "cell_type": "markdown",
1611 |    "metadata": {
1612 |     "id": "ytf7xFrFJQ2r"
1613 |    },
1614 |    "source": [
1615 |     "Вызовем `number_tracks()` шесть раз, меняя значение параметров — так, чтобы получить данные для каждого города в каждый из трёх дней."
1616 |    ]
1617 |   },
1618 |   {
1619 |    "cell_type": "code",
1620 |    "execution_count": 20,
1621 |    "metadata": {
1622 |     "id": "rJcRATNQ_Zcu"
1623 |    },
1624 |    "outputs": [
1625 |     {
1626 |      "data": {
1627 |       "text/plain": [
1628 |        "15740"
1629 |       ]
1630 |      },
1631 |      "execution_count": 20,
1632 |      "metadata": {},
1633 |      "output_type": "execute_result"
1634 |     }
1635 |    ],
1636 |    "source": [
1637 |     "number_tracks('Monday', 'Moscow')# количество прослушиваний в Москве по понедельникам"
1638 |    ]
1639 |   },
1640 |   {
1641 |    "cell_type": "code",
1642 |    "execution_count": 21,
1643 |    "metadata": {
1644 |     "id": "hq_ncZ5T_Zcu"
1645 |    },
1646 |    "outputs": [
1647 |     {
1648 |      "data": {
1649 |       "text/plain": [
1650 |        "5614"
1651 |       ]
1652 |      },
1653 |      "execution_count": 21,
1654 |      "metadata": {},
1655 |      "output_type": "execute_result"
1656 |     }
1657 |    ],
1658 |    "source": [
1659 |     "number_tracks('Monday', 'Saint-Petersburg')# количество прослушиваний в Санкт-Петербурге по понедельникам"
1660 |    ]
1661 |   },
1662 |   {
1663 |    "cell_type": "code",
1664 |    "execution_count": 22,
1665 |    "metadata": {
1666 |     "id": "_NTy2VPU_Zcu"
1667 |    },
1668 |    "outputs": [
1669 |     {
1670 |      "data": {
1671 |       "text/plain": [
1672 |        "11056"
1673 |       ]
1674 |      },
1675 |      "execution_count": 22,
1676 |      "metadata": {},
1677 |      "output_type": "execute_result"
1678 |     }
1679 |    ],
1680 |    "source": [
1681 |     "number_tracks('Wednesday', 'Moscow')# количество прослушиваний в Москве по средам"
1682 |    ]
1683 |   },
1684 |   {
1685 |    "cell_type": "code",
1686 |    "execution_count": 23,
1687 |    "metadata": {
1688 |     "id": "j2y3TAwo_Zcu"
1689 |    },
1690 |    "outputs": [
1691 |     {
1692 |      "data": {
1693 |       "text/plain": [
1694 |        "7003"
1695 |       ]
1696 |      },
1697 |      "execution_count": 23,
1698 |      "metadata": {},
1699 |      "output_type": "execute_result"
1700 |     }
1701 |    ],
1702 |    "source": [
1703 |     "number_tracks('Wednesday', 'Saint-Petersburg')# количество прослушиваний в Санкт-Петербурге по средам"
1704 |    ]
1705 |   },
1706 |   {
1707 |    "cell_type": "code",
1708 |    "execution_count": 24,
1709 |    "metadata": {
1710 |     "id": "vYDw5u_K_Zcu"
1711 |    },
1712 |    "outputs": [
1713 |     {
1714 |      "data": {
1715 |       "text/plain": [
1716 |        "15945"
1717 |       ]
1718 |      },
1719 |      "execution_count": 24,
1720 |      "metadata": {},
1721 |      "output_type": "execute_result"
1722 |     }
1723 |    ],
1724 |    "source": [
1725 |     "number_tracks('Friday', 'Moscow')# количество прослушиваний в Москве по пятницам"
1726 |    ]
1727 |   },
1728 |   {
1729 |    "cell_type": "code",
1730 |    "execution_count": 25,
1731 |    "metadata": {
1732 |     "id": "8_yzFtW3_Zcu"
1733 |    },
1734 |    "outputs": [
1735 |     {
1736 |      "data": {
1737 |       "text/plain": [
1738 |        "5895"
1739 |       ]
1740 |      },
1741 |      "execution_count": 25,
1742 |      "metadata": {},
1743 |      "output_type": "execute_result"
1744 |     }
1745 |    ],
1746 |    "source": [
1747 |     "number_tracks('Friday', 'Saint-Petersburg')# количество прослушиваний в Санкт-Петербурге по пятницам"
1748 |    ]
1749 |   },
1750 |   {
1751 |    "cell_type": "markdown",
1752 |    "metadata": {
1753 |     "id": "7QXffbO-_Zcu"
1754 |    },
1755 |    "source": [
1756 |     "Создайем c помощью конструктора `pd.DataFrame` таблицу, где\n",
1757 |     "* названия колонок — `['city', 'monday', 'wednesday', 'friday']`;\n",
1758 |     "* данные — результаты, которые вы получили с помощью `number_tracks`."
1759 |    ]
1760 |   },
1761 |   {
1762 |    "cell_type": "code",
1763 |    "execution_count": 26,
1764 |    "metadata": {
1765 |     "id": "APAcLpOr_Zcu"
1766 |    },
1767 |    "outputs": [
1768 |     {
1769 |      "data": {
1770 |       "text/html": [
1771 |        "<div>\n",
1772 |        "<style scoped>\n",
1773 |        "    .dataframe tbody tr th:only-of-type {\n",
1774 |        "        vertical-align: middle;\n",
1775 |        "    }\n",
1776 |        "\n",
1777 |        "    .dataframe tbody tr th {\n",
1778 |        "        vertical-align: top;\n",
1779 |        "    }\n",
1780 |        "\n",
1781 |        "    .dataframe thead th {\n",
1782 |        "        text-align: right;\n",
1783 |        "    }\n",
1784 |        "</style>\n",
1785 |        "<table border=\"1\" class=\"dataframe\">\n",
1786 |        "  <thead>\n",
1787 |        "    <tr style=\"text-align: right;\">\n",
1788 |        "      <th></th>\n",
1789 |        "      <th>city</th>\n",
1790 |        "      <th>monday</th>\n",
1791 |        "      <th>wednesday</th>\n",
1792 |        "      <th>friday</th>\n",
1793 |        "    </tr>\n",
1794 |        "  </thead>\n",
1795 |        "  <tbody>\n",
1796 |        "    <tr>\n",
1797 |        "      <th>0</th>\n",
1798 |        "      <td>Moscow</td>\n",
1799 |        "      <td>15740</td>\n",
1800 |        "      <td>11056</td>\n",
1801 |        "      <td>15945</td>\n",
1802 |        "    </tr>\n",
1803 |        "    <tr>\n",
1804 |        "      <th>1</th>\n",
1805 |        "      <td>Saint-Petersburg</td>\n",
1806 |        "      <td>5614</td>\n",
1807 |        "      <td>7003</td>\n",
1808 |        "      <td>5895</td>\n",
1809 |        "    </tr>\n",
1810 |        "  </tbody>\n",
1811 |        "</table>\n",
1812 |        "</div>"
1813 |       ],
1814 |       "text/plain": [
1815 |        "               city  monday  wednesday  friday\n",
1816 |        "0            Moscow   15740      11056   15945\n",
1817 |        "1  Saint-Petersburg    5614       7003    5895"
1818 |       ]
1819 |      },
1820 |      "metadata": {},
1821 |      "output_type": "display_data"
1822 |     }
1823 |    ],
1824 |    "source": [
1825 |     "# Таблица с результатами\n",
1826 |     "number_track_result = [['Moscow',15740,11056, 15945], # Измерения хранятся в списке списков \n",
1827 |     "              ['Saint-Petersburg',5614, 7003, 5895]]\n",
1828 |     "\n",
1829 |     "header = ['city', 'monday', 'wednesday', 'friday'] # Заголовки\n",
1830 |     "\n",
1831 |     "output = pd.DataFrame(data=number_track_result, columns=header) \n",
1832 |     "display(output)\n",
1833 |     "\n"
1834 |    ]
1835 |   },
1836 |   {
1837 |    "cell_type": "markdown",
1838 |    "metadata": {
1839 |     "id": "-EgPIHYu_Zcu"
1840 |    },
1841 |    "source": [
1842 |     "**Выводы**\n",
1843 |     "\n",
1844 |     "Данные показывают разницу поведения пользователей:\n",
1845 |     "\n",
1846 |     "- В Москве пик прослушиваний приходится на понедельник и пятницу, а в среду заметен спад.\n",
1847 |     "- В Петербурге, наоборот, больше слушают музыку по средам. Активность в понедельник и пятницу здесь почти в равной мере уступает среде.\n",
1848 |     "\n",
1849 |     "Значит, данные говорят в пользу первой гипотезы."
1850 |    ]
1851 |   },
1852 |   {
1853 |    "cell_type": "markdown",
1854 |    "metadata": {
1855 |     "id": "atZAxtq4_Zcu"
1856 |    },
1857 |    "source": [
1858 |     "### Музыка в начале и в конце недели"
1859 |    ]
1860 |   },
1861 |   {
1862 |    "cell_type": "markdown",
1863 |    "metadata": {
1864 |     "id": "eXrQqXFH_Zcu"
1865 |    },
1866 |    "source": [
1867 |     "Согласно второй гипотезе, утром в понедельник в Москве преобладают одни жанры, а в Петербурге — другие. Так же и вечером пятницы преобладают разные жанры — в зависимости от города."
1868 |    ]
1869 |   },
1870 |   {
1871 |    "cell_type": "markdown",
1872 |    "metadata": {
1873 |     "id": "S8UcW6Hw_Zcu"
1874 |    },
1875 |    "source": [
1876 |     "Сохраним таблицы с данными в две переменные:\n",
1877 |     "* по Москве — в `moscow_general`;\n",
1878 |     "* по Санкт-Петербургу — в `spb_general`."
1879 |    ]
1880 |   },
1881 |   {
1882 |    "cell_type": "code",
1883 |    "execution_count": 27,
1884 |    "metadata": {
1885 |     "id": "qeaFfM_P_Zcu"
1886 |    },
1887 |    "outputs": [],
1888 |    "source": [
1889 |     "# получение таблицы moscow_general из тех строк таблицы df, \n",
1890 |     "# для которых значение в столбце 'city' равно 'Moscow'\n",
1891 |     "\n",
1892 |     "moscow_general = df[df['city'] == 'Moscow']"
1893 |    ]
1894 |   },
1895 |   {
1896 |    "cell_type": "code",
1897 |    "execution_count": 28,
1898 |    "metadata": {
1899 |     "id": "ORaVRKto_Zcu"
1900 |    },
1901 |    "outputs": [],
1902 |    "source": [
1903 |     "# получение таблицы spb_general из тех строк таблицы df,\n",
1904 |     "# для которых значение в столбце 'city' равно 'Saint-Petersburg'\n",
1905 |     "\n",
1906 |     "spb_general = df[df['city'] == 'Saint-Petersburg']"
1907 |    ]
1908 |   },
1909 |   {
1910 |    "cell_type": "markdown",
1911 |    "metadata": {
1912 |     "id": "MEJV-CX2_Zcu"
1913 |    },
1914 |    "source": [
1915 |     "Создадим функцию `genre_weekday()` с четырьмя параметрами:\n",
1916 |     "* таблица (датафрейм) с данными,\n",
1917 |     "* день недели,\n",
1918 |     "* начальная временная метка в формате 'hh:mm', \n",
1919 |     "* последняя временная метка в формате 'hh:mm'.\n",
1920 |     "\n",
1921 |     "Функция должна вернуть информацию о топ-10 жанров тех треков, которые прослушивали в указанный день, в промежутке между двумя отметками времени."
1922 |    ]
1923 |   },
1924 |   {
1925 |    "cell_type": "code",
1926 |    "execution_count": 29,
1927 |    "metadata": {
1928 |     "id": "laJT9BYl_Zcu"
1929 |    },
1930 |    "outputs": [],
1931 |    "source": [
1932 |     "# Объявление функции genre_weekday() с параметрами table, day, time1, time2,\n",
1933 |     "# которая возвращает информацию о самых популярных жанрах в указанный день в\n",
1934 |     "# заданное время:\n",
1935 |     "# 1) в переменную genre_df сохраняются те строки переданного датафрейма table, для\n",
1936 |     "#    которых одновременно:\n",
1937 |     "#    - значение в столбце day равно значению аргумента day\n",
1938 |     "#    - значение в столбце time больше значения аргумента time1\n",
1939 |     "#    - значение в столбце time меньше значения аргумента time2\n",
1940 |     "#    Используйте последовательную фильтрацию с помощью логической индексации.\n",
1941 |     "# 2) сгруппировать датафрейм genre_df по столбцу genre, взять один из его\n",
1942 |     "#    столбцов и посчитать методом count() количество записей для каждого из\n",
1943 |     "#    присутствующих жанров, получившийся Series записать в переменную\n",
1944 |     "#    genre_df_count\n",
1945 |     "# 3) отсортировать genre_df_count по убыванию встречаемости и сохранить\n",
1946 |     "#    в переменную genre_df_sorted\n",
1947 |     "# 4) вернуть Series из 10 первых значений genre_df_sorted, это будут топ-10\n",
1948 |     "#    популярных жанров (в указанный день, в заданное время)\n",
1949 |     "\n",
1950 |     "def genre_weekday(table, day, time1, time2):  #1\n",
1951 |     "    \n",
1952 |     "    genre_df = table[table['day'] == day]\n",
1953 |     "    genre_df = genre_df[genre_df['time'] > time1]\n",
1954 |     "    genre_df = genre_df[genre_df['time'] < time2]\n",
1955 |     "    \n",
1956 |     "    genre_df_count = genre_df.groupby('genre')['artist'].count()  #2\n",
1957 |     "    \n",
1958 |     "    genre_df_sorted = genre_df_count.sort_values(ascending=False)  #3\n",
1959 |     "    \n",
1960 |     "    return genre_df_sorted.head(10)  #4\n"
1961 |    ]
1962 |   },
1963 |   {
1964 |    "cell_type": "markdown",
1965 |    "metadata": {
1966 |     "id": "la2s2_PF_Zcu"
1967 |    },
1968 |    "source": [
1969 |     "Cравним результаты функции `genre_weekday()` для Москвы и Санкт-Петербурга в понедельник утром (с 7:00 до 11:00) и в пятницу вечером (с 17:00 до 23:00):"
1970 |    ]
1971 |   },
1972 |   {
1973 |    "cell_type": "code",
1974 |    "execution_count": 30,
1975 |    "metadata": {
1976 |     "id": "yz7itPUQ_Zcu"
1977 |    },
1978 |    "outputs": [
1979 |     {
1980 |      "data": {
1981 |       "text/plain": [
1982 |        "genre\n",
1983 |        "pop            781\n",
1984 |        "dance          549\n",
1985 |        "electronic     480\n",
1986 |        "rock           474\n",
1987 |        "hiphop         286\n",
1988 |        "ruspop         186\n",
1989 |        "world          181\n",
1990 |        "rusrap         175\n",
1991 |        "alternative    164\n",
1992 |        "unknown        161\n",
1993 |        "Name: artist, dtype: int64"
1994 |       ]
1995 |      },
1996 |      "execution_count": 30,
1997 |      "metadata": {},
1998 |      "output_type": "execute_result"
1999 |     }
2000 |    ],
2001 |    "source": [
2002 |     "# вызов функции для утра понедельника в Москве (вместо df — таблица moscow_general)\n",
2003 |     "# объекты, хранящие время, являются строками и сравниваются как строки\n",
2004 |     "# пример вызова: genre_weekday(moscow_general, 'Monday', '07:00', '11:00')\n",
2005 |     "\n",
2006 |     "genre_weekday(moscow_general, 'Monday', '07:00', '11:00')"
2007 |    ]
2008 |   },
2009 |   {
2010 |    "cell_type": "code",
2011 |    "execution_count": 31,
2012 |    "metadata": {
2013 |     "id": "kwUcHPdy_Zcu"
2014 |    },
2015 |    "outputs": [
2016 |     {
2017 |      "data": {
2018 |       "text/plain": [
2019 |        "genre\n",
2020 |        "pop            218\n",
2021 |        "dance          182\n",
2022 |        "rock           162\n",
2023 |        "electronic     147\n",
2024 |        "hiphop          80\n",
2025 |        "ruspop          64\n",
2026 |        "alternative     58\n",
2027 |        "rusrap          55\n",
2028 |        "jazz            44\n",
2029 |        "classical       40\n",
2030 |        "Name: artist, dtype: int64"
2031 |       ]
2032 |      },
2033 |      "execution_count": 31,
2034 |      "metadata": {},
2035 |      "output_type": "execute_result"
2036 |     }
2037 |    ],
2038 |    "source": [
2039 |     "# вызов функции для утра понедельника в Петербурге (вместо df — таблица spb_general)\n",
2040 |     "\n",
2041 |     "genre_weekday(spb_general, 'Monday', '07:00', '11:00')"
2042 |    ]
2043 |   },
2044 |   {
2045 |    "cell_type": "code",
2046 |    "execution_count": 32,
2047 |    "metadata": {
2048 |     "id": "EzXVRE1o_Zcu"
2049 |    },
2050 |    "outputs": [
2051 |     {
2052 |      "data": {
2053 |       "text/plain": [
2054 |        "genre\n",
2055 |        "pop            713\n",
2056 |        "rock           517\n",
2057 |        "dance          495\n",
2058 |        "electronic     482\n",
2059 |        "hiphop         273\n",
2060 |        "world          208\n",
2061 |        "ruspop         170\n",
2062 |        "alternative    163\n",
2063 |        "classical      163\n",
2064 |        "rusrap         142\n",
2065 |        "Name: artist, dtype: int64"
2066 |       ]
2067 |      },
2068 |      "execution_count": 32,
2069 |      "metadata": {},
2070 |      "output_type": "execute_result"
2071 |     }
2072 |    ],
2073 |    "source": [
2074 |     "# вызов функции для вечера пятницы в Москве\n",
2075 |     "\n",
2076 |     "genre_weekday(moscow_general, 'Friday', '17:00', '23:00')"
2077 |    ]
2078 |   },
2079 |   {
2080 |    "cell_type": "code",
2081 |    "execution_count": 33,
2082 |    "metadata": {
2083 |     "id": "JZaEKu5v_Zcu"
2084 |    },
2085 |    "outputs": [
2086 |     {
2087 |      "data": {
2088 |       "text/plain": [
2089 |        "genre\n",
2090 |        "pop            256\n",
2091 |        "electronic     216\n",
2092 |        "rock           216\n",
2093 |        "dance          210\n",
2094 |        "hiphop          97\n",
2095 |        "alternative     63\n",
2096 |        "jazz            61\n",
2097 |        "classical       60\n",
2098 |        "rusrap          59\n",
2099 |        "world           54\n",
2100 |        "Name: artist, dtype: int64"
2101 |       ]
2102 |      },
2103 |      "execution_count": 33,
2104 |      "metadata": {},
2105 |      "output_type": "execute_result"
2106 |     }
2107 |    ],
2108 |    "source": [
2109 |     "# вызов функции для вечера пятницы в Петербурге\n",
2110 |     "\n",
2111 |     "genre_weekday(spb_general, 'Friday', '17:00', '23:00')"
2112 |    ]
2113 |   },
2114 |   {
2115 |    "cell_type": "markdown",
2116 |    "metadata": {
2117 |     "id": "wrCe4MNX_Zcu"
2118 |    },
2119 |    "source": [
2120 |     "**Выводы**\n",
2121 |     "\n",
2122 |     "Если сравнить топ-10 жанров в понедельник утром, можно сделать такие выводы:\n",
2123 |     "\n",
2124 |     "1. В Москве и Петербурге слушают похожую музыку. Единственное отличие — в московский рейтинг вошёл жанр “world”, а в петербургский — джаз и классика.\n",
2125 |     "\n",
2126 |     "2. В Москве пропущенных значений оказалось так много, что значение `'unknown'` заняло десятое место среди самых популярных жанров. Значит, пропущенные значения занимают существенную долю в данных и угрожают достоверности исследования.\n",
2127 |     "\n",
2128 |     "Вечер пятницы не меняет эту картину. Некоторые жанры поднимаются немного выше, другие спускаются, но в целом топ-10 остаётся тем же самым.\n",
2129 |     "\n",
2130 |     "Таким образом, вторая гипотеза подтвердилась лишь частично:\n",
2131 |     "* Пользователи слушают похожую музыку в начале недели и в конце.\n",
2132 |     "* Разница между Москвой и Петербургом не слишком выражена. В Москве чаще слушают русскую популярную музыку, в Петербурге — джаз.\n",
2133 |     "\n",
2134 |     "Однако пропуски в данных ставят под сомнение этот результат. В Москве их так много, что рейтинг топ-10 мог бы выглядеть иначе, если бы не утерянные  данные о жанрах."
2135 |    ]
2136 |   },
2137 |   {
2138 |    "cell_type": "markdown",
2139 |    "metadata": {
2140 |     "id": "JolODAqr_Zcu"
2141 |    },
2142 |    "source": [
2143 |     "### Жанровые предпочтения в Москве и Петербурге\n",
2144 |     "\n",
2145 |     "Гипотеза: Петербург — столица рэпа, музыку этого жанра там слушают чаще, чем в Москве.  А Москва — город контрастов, в котором, тем не менее, преобладает поп-музыка."
2146 |    ]
2147 |   },
2148 |   {
2149 |    "cell_type": "markdown",
2150 |    "metadata": {
2151 |     "id": "DlegSvaT_Zcu"
2152 |    },
2153 |    "source": [
2154 |     "Сгруппируем таблицу `moscow_general` по жанру и посчитаем прослушивания треков каждого жанра методом `count()`. Затем отсортируем результат в порядке убывания и сохраним его в таблице `moscow_genres`."
2155 |    ]
2156 |   },
2157 |   {
2158 |    "cell_type": "code",
2159 |    "execution_count": 34,
2160 |    "metadata": {
2161 |     "id": "r19lIPke_Zcu"
2162 |    },
2163 |    "outputs": [],
2164 |    "source": [
2165 |     "# одной строкой: группировка таблицы moscow_general по столбцу 'genre', \n",
2166 |     "# подсчёт числа значений 'genre' в этой группировке методом count(), \n",
2167 |     "# сортировка получившегося Series в порядке убывания и сохранение в moscow_genres\n",
2168 |     "\n",
2169 |     "moscow_general = moscow_general.groupby('genre')['genre'].count().sort_values(ascending=False)"
2170 |    ]
2171 |   },
2172 |   {
2173 |    "cell_type": "markdown",
2174 |    "metadata": {
2175 |     "id": "6kMuomxTiIr8"
2176 |    },
2177 |    "source": [
2178 |     "Выведем на экран первые десять строк `moscow_genres`:"
2179 |    ]
2180 |   },
2181 |   {
2182 |    "cell_type": "code",
2183 |    "execution_count": 35,
2184 |    "metadata": {
2185 |     "id": "WhCSooF8_Zcv"
2186 |    },
2187 |    "outputs": [
2188 |     {
2189 |      "data": {
2190 |       "text/html": [
2191 |        "<div>\n",
2192 |        "<style scoped>\n",
2193 |        "    .dataframe tbody tr th:only-of-type {\n",
2194 |        "        vertical-align: middle;\n",
2195 |        "    }\n",
2196 |        "\n",
2197 |        "    .dataframe tbody tr th {\n",
2198 |        "        vertical-align: top;\n",
2199 |        "    }\n",
2200 |        "\n",
2201 |        "    .dataframe thead th {\n",
2202 |        "        text-align: right;\n",
2203 |        "    }\n",
2204 |        "</style>\n",
2205 |        "<table border=\"1\" class=\"dataframe\">\n",
2206 |        "  <thead>\n",
2207 |        "    <tr style=\"text-align: right;\">\n",
2208 |        "      <th></th>\n",
2209 |        "      <th>genre</th>\n",
2210 |        "    </tr>\n",
2211 |        "    <tr>\n",
2212 |        "      <th>genre</th>\n",
2213 |        "      <th></th>\n",
2214 |        "    </tr>\n",
2215 |        "  </thead>\n",
2216 |        "  <tbody>\n",
2217 |        "    <tr>\n",
2218 |        "      <th>pop</th>\n",
2219 |        "      <td>5892</td>\n",
2220 |        "    </tr>\n",
2221 |        "    <tr>\n",
2222 |        "      <th>dance</th>\n",
2223 |        "      <td>4435</td>\n",
2224 |        "    </tr>\n",
2225 |        "    <tr>\n",
2226 |        "      <th>rock</th>\n",
2227 |        "      <td>3965</td>\n",
2228 |        "    </tr>\n",
2229 |        "    <tr>\n",
2230 |        "      <th>electronic</th>\n",
2231 |        "      <td>3786</td>\n",
2232 |        "    </tr>\n",
2233 |        "    <tr>\n",
2234 |        "      <th>hiphop</th>\n",
2235 |        "      <td>2096</td>\n",
2236 |        "    </tr>\n",
2237 |        "    <tr>\n",
2238 |        "      <th>classical</th>\n",
2239 |        "      <td>1616</td>\n",
2240 |        "    </tr>\n",
2241 |        "    <tr>\n",
2242 |        "      <th>world</th>\n",
2243 |        "      <td>1432</td>\n",
2244 |        "    </tr>\n",
2245 |        "    <tr>\n",
2246 |        "      <th>alternative</th>\n",
2247 |        "      <td>1379</td>\n",
2248 |        "    </tr>\n",
2249 |        "    <tr>\n",
2250 |        "      <th>ruspop</th>\n",
2251 |        "      <td>1372</td>\n",
2252 |        "    </tr>\n",
2253 |        "    <tr>\n",
2254 |        "      <th>rusrap</th>\n",
2255 |        "      <td>1161</td>\n",
2256 |        "    </tr>\n",
2257 |        "  </tbody>\n",
2258 |        "</table>\n",
2259 |        "</div>"
2260 |       ],
2261 |       "text/plain": [
2262 |        "             genre\n",
2263 |        "genre             \n",
2264 |        "pop           5892\n",
2265 |        "dance         4435\n",
2266 |        "rock          3965\n",
2267 |        "electronic    3786\n",
2268 |        "hiphop        2096\n",
2269 |        "classical     1616\n",
2270 |        "world         1432\n",
2271 |        "alternative   1379\n",
2272 |        "ruspop        1372\n",
2273 |        "rusrap        1161"
2274 |       ]
2275 |      },
2276 |      "execution_count": 35,
2277 |      "metadata": {},
2278 |      "output_type": "execute_result"
2279 |     }
2280 |    ],
2281 |    "source": [
2282 |     "moscow_general.to_frame().head(10) # просмотр первых 10 строк moscow_genres"
2283 |    ]
2284 |   },
2285 |   {
2286 |    "cell_type": "markdown",
2287 |    "metadata": {
2288 |     "id": "cnPG2vnN_Zcv"
2289 |    },
2290 |    "source": [
2291 |     "Теперь повторим то же и для Петербурга.\n",
2292 |     "\n",
2293 |     "Сгруппируем таблицу `spb_general` по жанру. Посчитаем прослушивания треков каждого жанра. Результат отсортируем в порядке убывания и сохраним в таблице `spb_genres`:\n"
2294 |    ]
2295 |   },
2296 |   {
2297 |    "cell_type": "code",
2298 |    "execution_count": 36,
2299 |    "metadata": {
2300 |     "id": "gluLIpE7_Zcv"
2301 |    },
2302 |    "outputs": [],
2303 |    "source": [
2304 |     "# одной строкой: группировка таблицы spb_general по столбцу 'genre', \n",
2305 |     "# подсчёт числа значений 'genre' в этой группировке методом count(), \n",
2306 |     "# сортировка получившегося Series в порядке убывания и сохранение в spb_genres\n",
2307 |     "\n",
2308 |     "spb_general = spb_general.groupby('genre')['genre'].count().sort_values(ascending=False)"
2309 |    ]
2310 |   },
2311 |   {
2312 |    "cell_type": "markdown",
2313 |    "metadata": {
2314 |     "id": "5Doha_ODgyQ8"
2315 |    },
2316 |    "source": [
2317 |     "Выведем на экран первые десять строк `spb_genres`:"
2318 |    ]
2319 |   },
2320 |   {
2321 |    "cell_type": "code",
2322 |    "execution_count": 37,
2323 |    "metadata": {
2324 |     "id": "uaGJHjVU_Zcv"
2325 |    },
2326 |    "outputs": [
2327 |     {
2328 |      "data": {
2329 |       "text/html": [
2330 |        "<div>\n",
2331 |        "<style scoped>\n",
2332 |        "    .dataframe tbody tr th:only-of-type {\n",
2333 |        "        vertical-align: middle;\n",
2334 |        "    }\n",
2335 |        "\n",
2336 |        "    .dataframe tbody tr th {\n",
2337 |        "        vertical-align: top;\n",
2338 |        "    }\n",
2339 |        "\n",
2340 |        "    .dataframe thead th {\n",
2341 |        "        text-align: right;\n",
2342 |        "    }\n",
2343 |        "</style>\n",
2344 |        "<table border=\"1\" class=\"dataframe\">\n",
2345 |        "  <thead>\n",
2346 |        "    <tr style=\"text-align: right;\">\n",
2347 |        "      <th></th>\n",
2348 |        "      <th>genre</th>\n",
2349 |        "    </tr>\n",
2350 |        "    <tr>\n",
2351 |        "      <th>genre</th>\n",
2352 |        "      <th></th>\n",
2353 |        "    </tr>\n",
2354 |        "  </thead>\n",
2355 |        "  <tbody>\n",
2356 |        "    <tr>\n",
2357 |        "      <th>pop</th>\n",
2358 |        "      <td>5892</td>\n",
2359 |        "    </tr>\n",
2360 |        "    <tr>\n",
2361 |        "      <th>dance</th>\n",
2362 |        "      <td>4435</td>\n",
2363 |        "    </tr>\n",
2364 |        "    <tr>\n",
2365 |        "      <th>rock</th>\n",
2366 |        "      <td>3965</td>\n",
2367 |        "    </tr>\n",
2368 |        "    <tr>\n",
2369 |        "      <th>electronic</th>\n",
2370 |        "      <td>3786</td>\n",
2371 |        "    </tr>\n",
2372 |        "    <tr>\n",
2373 |        "      <th>hiphop</th>\n",
2374 |        "      <td>2096</td>\n",
2375 |        "    </tr>\n",
2376 |        "    <tr>\n",
2377 |        "      <th>classical</th>\n",
2378 |        "      <td>1616</td>\n",
2379 |        "    </tr>\n",
2380 |        "    <tr>\n",
2381 |        "      <th>world</th>\n",
2382 |        "      <td>1432</td>\n",
2383 |        "    </tr>\n",
2384 |        "    <tr>\n",
2385 |        "      <th>alternative</th>\n",
2386 |        "      <td>1379</td>\n",
2387 |        "    </tr>\n",
2388 |        "    <tr>\n",
2389 |        "      <th>ruspop</th>\n",
2390 |        "      <td>1372</td>\n",
2391 |        "    </tr>\n",
2392 |        "    <tr>\n",
2393 |        "      <th>rusrap</th>\n",
2394 |        "      <td>1161</td>\n",
2395 |        "    </tr>\n",
2396 |        "  </tbody>\n",
2397 |        "</table>\n",
2398 |        "</div>"
2399 |       ],
2400 |       "text/plain": [
2401 |        "             genre\n",
2402 |        "genre             \n",
2403 |        "pop           5892\n",
2404 |        "dance         4435\n",
2405 |        "rock          3965\n",
2406 |        "electronic    3786\n",
2407 |        "hiphop        2096\n",
2408 |        "classical     1616\n",
2409 |        "world         1432\n",
2410 |        "alternative   1379\n",
2411 |        "ruspop        1372\n",
2412 |        "rusrap        1161"
2413 |       ]
2414 |      },
2415 |      "execution_count": 37,
2416 |      "metadata": {},
2417 |      "output_type": "execute_result"
2418 |     }
2419 |    ],
2420 |    "source": [
2421 |     "moscow_general.to_frame().head(10)  # просмотр первых 10 строк spb_genres"
2422 |    ]
2423 |   },
2424 |   {
2425 |    "cell_type": "markdown",
2426 |    "metadata": {
2427 |     "id": "RY51YJYu_Zcv"
2428 |    },
2429 |    "source": [
2430 |     "**Выводы**"
2431 |    ]
2432 |   },
2433 |   {
2434 |    "cell_type": "markdown",
2435 |    "metadata": {
2436 |     "id": "nVhnJEm__Zcv"
2437 |    },
2438 |    "source": [
2439 |     "Гипотеза частично подтвердилась:\n",
2440 |     "* Поп-музыка — самый популярный жанр в Москве, как и предполагала гипотеза. Более того, в топ-10 жанров встречается близкий жанр — русская популярная музыка.\n",
2441 |     "* Вопреки ожиданиям, рэп одинаково популярен в Москве и Петербурге. \n"
2442 |    ]
2443 |   },
2444 |   {
2445 |    "cell_type": "markdown",
2446 |    "metadata": {
2447 |     "id": "ykKQ0N65_Zcv"
2448 |    },
2449 |    "source": [
2450 |     "## Итоги исследования"
2451 |    ]
2452 |   },
2453 |   {
2454 |    "cell_type": "markdown",
2455 |    "metadata": {
2456 |     "id": "tjUwbHb3_Zcv"
2457 |    },
2458 |    "source": [
2459 |     "Мы проверили три гипотезы и установили:\n",
2460 |     "\n",
2461 |     "1. День недели по-разному влияет на активность пользователей в Москве и Петербурге. \n",
2462 |     "\n",
2463 |     "Первая гипотеза полностью подтвердилась.\n",
2464 |     "\n",
2465 |     "2. Музыкальные предпочтения не сильно меняются в течение недели — будь то Москва или Петербург. Небольшие различия заметны в начале недели, по понедельникам:\n",
2466 |     "* в Москве слушают музыку жанра “world”,\n",
2467 |     "* в Петербурге — джаз и классику.\n",
2468 |     "\n",
2469 |     "Таким образом, вторая гипотеза подтвердилась лишь отчасти. Этот результат мог оказаться иным, если бы не пропуски в данных.\n",
2470 |     "\n",
2471 |     "3. Во вкусах пользователей Москвы и Петербурга больше общего чем различий. Вопреки ожиданиям, предпочтения жанров в Петербурге напоминают московские.\n",
2472 |     "\n",
2473 |     "Третья гипотеза не подтвердилась. Если различия в предпочтениях и существуют, на основной массе пользователей они незаметны.\n",
2474 |     "\n"
2475 |    ]
2476 |   }
2477 |  ],
2478 |  "metadata": {
2479 |   "ExecuteTimeLog": [
2480 |    {
2481 |     "duration": 354,
2482 |     "start_time": "2022-01-30T16:36:05.029Z"
2483 |    },
2484 |    {
2485 |     "duration": 308,
2486 |     "start_time": "2022-01-30T16:36:19.337Z"
2487 |    },
2488 |    {
2489 |     "duration": 524,
2490 |     "start_time": "2022-01-30T16:37:45.850Z"
2491 |    },
2492 |    {
2493 |     "duration": 343,
2494 |     "start_time": "2022-01-30T16:38:19.745Z"
2495 |    },
2496 |    {
2497 |     "duration": 601,
2498 |     "start_time": "2022-01-30T16:39:16.539Z"
2499 |    },
2500 |    {
2501 |     "duration": 532,
2502 |     "start_time": "2022-01-30T16:39:48.258Z"
2503 |    },
2504 |    {
2505 |     "duration": 461,
2506 |     "start_time": "2022-01-30T16:40:00.498Z"
2507 |    },
2508 |    {
2509 |     "duration": 345,
2510 |     "start_time": "2022-01-30T16:44:08.982Z"
2511 |    },
2512 |    {
2513 |     "duration": 557,
2514 |     "start_time": "2022-01-30T16:44:29.753Z"
2515 |    },
2516 |    {
2517 |     "duration": 289,
2518 |     "start_time": "2022-01-30T16:45:16.782Z"
2519 |    },
2520 |    {
2521 |     "duration": 298,
2522 |     "start_time": "2022-01-30T16:45:46.533Z"
2523 |    },
2524 |    {
2525 |     "duration": 391,
2526 |     "start_time": "2022-01-30T16:48:22.163Z"
2527 |    },
2528 |    {
2529 |     "duration": 820,
2530 |     "start_time": "2022-01-30T16:48:30.101Z"
2531 |    },
2532 |    {
2533 |     "duration": 176,
2534 |     "start_time": "2022-01-30T16:48:30.923Z"
2535 |    },
2536 |    {
2537 |     "duration": 39,
2538 |     "start_time": "2022-01-30T16:48:31.102Z"
2539 |    },
2540 |    {
2541 |     "duration": 4,
2542 |     "start_time": "2022-01-30T16:48:31.144Z"
2543 |    },
2544 |    {
2545 |     "duration": 13,
2546 |     "start_time": "2022-01-30T16:48:31.150Z"
2547 |    },
2548 |    {
2549 |     "duration": 8,
2550 |     "start_time": "2022-01-30T16:48:31.166Z"
2551 |    },
2552 |    {
2553 |     "duration": 12,
2554 |     "start_time": "2022-01-30T16:48:31.176Z"
2555 |    },
2556 |    {
2557 |     "duration": 8,
2558 |     "start_time": "2022-01-30T16:48:31.192Z"
2559 |    },
2560 |    {
2561 |     "duration": 6,
2562 |     "start_time": "2022-01-30T16:48:31.203Z"
2563 |    },
2564 |    {
2565 |     "duration": 20,
2566 |     "start_time": "2022-01-30T16:48:31.212Z"
2567 |    },
2568 |    {
2569 |     "duration": 7,
2570 |     "start_time": "2022-01-30T16:48:31.235Z"
2571 |    },
2572 |    {
2573 |     "duration": 6,
2574 |     "start_time": "2022-01-30T16:48:31.244Z"
2575 |    },
2576 |    {
2577 |     "duration": 12,
2578 |     "start_time": "2022-01-30T16:48:31.252Z"
2579 |    },
2580 |    {
2581 |     "duration": 9,
2582 |     "start_time": "2022-01-30T16:48:31.266Z"
2583 |    },
2584 |    {
2585 |     "duration": 7,
2586 |     "start_time": "2022-01-30T16:48:31.277Z"
2587 |    },
2588 |    {
2589 |     "duration": 9,
2590 |     "start_time": "2022-01-30T16:48:31.286Z"
2591 |    },
2592 |    {
2593 |     "duration": 6,
2594 |     "start_time": "2022-01-30T16:48:31.297Z"
2595 |    },
2596 |    {
2597 |     "duration": 10,
2598 |     "start_time": "2022-01-30T16:48:31.305Z"
2599 |    },
2600 |    {
2601 |     "duration": 14,
2602 |     "start_time": "2022-01-30T16:48:31.333Z"
2603 |    },
2604 |    {
2605 |     "duration": 12,
2606 |     "start_time": "2022-01-30T16:48:31.349Z"
2607 |    },
2608 |    {
2609 |     "duration": 10,
2610 |     "start_time": "2022-01-30T16:48:31.363Z"
2611 |    },
2612 |    {
2613 |     "duration": 20,
2614 |     "start_time": "2022-01-30T16:48:31.376Z"
2615 |    },
2616 |    {
2617 |     "duration": 10,
2618 |     "start_time": "2022-01-30T16:48:31.401Z"
2619 |    },
2620 |    {
2621 |     "duration": 12,
2622 |     "start_time": "2022-01-30T16:48:31.414Z"
2623 |    },
2624 |    {
2625 |     "duration": 12,
2626 |     "start_time": "2022-01-30T16:48:31.429Z"
2627 |    },
2628 |    {
2629 |     "duration": 8,
2630 |     "start_time": "2022-01-30T16:48:31.443Z"
2631 |    },
2632 |    {
2633 |     "duration": 7,
2634 |     "start_time": "2022-01-30T16:48:31.454Z"
2635 |    },
2636 |    {
2637 |     "duration": 18,
2638 |     "start_time": "2022-01-30T16:48:31.464Z"
2639 |    },
2640 |    {
2641 |     "duration": 8,
2642 |     "start_time": "2022-01-30T16:48:31.485Z"
2643 |    },
2644 |    {
2645 |     "duration": 7,
2646 |     "start_time": "2022-01-30T16:48:31.495Z"
2647 |    },
2648 |    {
2649 |     "duration": 10,
2650 |     "start_time": "2022-01-30T16:48:31.505Z"
2651 |    },
2652 |    {
2653 |     "duration": 11,
2654 |     "start_time": "2022-01-30T16:48:31.517Z"
2655 |    },
2656 |    {
2657 |     "duration": 18,
2658 |     "start_time": "2022-01-30T16:48:31.533Z"
2659 |    },
2660 |    {
2661 |     "duration": 15,
2662 |     "start_time": "2022-01-30T16:48:31.554Z"
2663 |    },
2664 |    {
2665 |     "duration": 25,
2666 |     "start_time": "2022-01-30T16:48:31.571Z"
2667 |    },
2668 |    {
2669 |     "duration": 15,
2670 |     "start_time": "2022-01-30T16:48:31.599Z"
2671 |    },
2672 |    {
2673 |     "duration": 14,
2674 |     "start_time": "2022-01-30T16:48:31.617Z"
2675 |    },
2676 |    {
2677 |     "duration": 18,
2678 |     "start_time": "2022-01-30T16:48:31.633Z"
2679 |    },
2680 |    {
2681 |     "duration": 318,
2682 |     "start_time": "2022-01-30T16:49:16.561Z"
2683 |    },
2684 |    {
2685 |     "duration": 31,
2686 |     "start_time": "2022-01-30T16:49:38.865Z"
2687 |    },
2688 |    {
2689 |     "duration": 5,
2690 |     "start_time": "2022-01-30T16:52:34.855Z"
2691 |    },
2692 |    {
2693 |     "duration": 102,
2694 |     "start_time": "2022-01-30T16:57:21.751Z"
2695 |    },
2696 |    {
2697 |     "duration": 28,
2698 |     "start_time": "2022-01-30T16:57:38.713Z"
2699 |    },
2700 |    {
2701 |     "duration": 4,
2702 |     "start_time": "2022-01-30T16:57:59.263Z"
2703 |    },
2704 |    {
2705 |     "duration": 28,
2706 |     "start_time": "2022-01-30T17:08:08.208Z"
2707 |    },
2708 |    {
2709 |     "duration": 22,
2710 |     "start_time": "2022-01-30T17:08:23.679Z"
2711 |    },
2712 |    {
2713 |     "duration": 5,
2714 |     "start_time": "2022-01-30T17:08:33.949Z"
2715 |    },
2716 |    {
2717 |     "duration": 29,
2718 |     "start_time": "2022-01-30T17:18:36.571Z"
2719 |    },
2720 |    {
2721 |     "duration": 326,
2722 |     "start_time": "2022-01-30T17:23:56.824Z"
2723 |    },
2724 |    {
2725 |     "duration": 321,
2726 |     "start_time": "2022-01-30T17:24:26.996Z"
2727 |    },
2728 |    {
2729 |     "duration": 23,
2730 |     "start_time": "2022-01-30T17:25:00.627Z"
2731 |    },
2732 |    {
2733 |     "duration": 29,
2734 |     "start_time": "2022-01-30T17:25:30.883Z"
2735 |    },
2736 |    {
2737 |     "duration": 297,
2738 |     "start_time": "2022-01-31T08:31:53.232Z"
2739 |    },
2740 |    {
2741 |     "duration": 248,
2742 |     "start_time": "2022-01-31T08:32:28.850Z"
2743 |    },
2744 |    {
2745 |     "duration": 3,
2746 |     "start_time": "2022-01-31T08:32:47.061Z"
2747 |    },
2748 |    {
2749 |     "duration": 260,
2750 |     "start_time": "2022-01-31T08:32:51.271Z"
2751 |    },
2752 |    {
2753 |     "duration": 252,
2754 |     "start_time": "2022-01-31T08:32:57.179Z"
2755 |    },
2756 |    {
2757 |     "duration": 558,
2758 |     "start_time": "2022-01-31T08:33:07.085Z"
2759 |    },
2760 |    {
2761 |     "duration": 123,
2762 |     "start_time": "2022-01-31T08:33:07.644Z"
2763 |    },
2764 |    {
2765 |     "duration": 16,
2766 |     "start_time": "2022-01-31T08:33:07.769Z"
2767 |    },
2768 |    {
2769 |     "duration": 24,
2770 |     "start_time": "2022-01-31T08:33:07.787Z"
2771 |    },
2772 |    {
2773 |     "duration": 4,
2774 |     "start_time": "2022-01-31T08:33:07.812Z"
2775 |    },
2776 |    {
2777 |     "duration": 21,
2778 |     "start_time": "2022-01-31T08:33:07.817Z"
2779 |    },
2780 |    {
2781 |     "duration": 3,
2782 |     "start_time": "2022-01-31T08:33:07.840Z"
2783 |    },
2784 |    {
2785 |     "duration": 40,
2786 |     "start_time": "2022-01-31T08:33:07.844Z"
2787 |    },
2788 |    {
2789 |     "duration": 15,
2790 |     "start_time": "2022-01-31T08:33:07.887Z"
2791 |    },
2792 |    {
2793 |     "duration": 21,
2794 |     "start_time": "2022-01-31T08:33:07.904Z"
2795 |    },
2796 |    {
2797 |     "duration": 77,
2798 |     "start_time": "2022-01-31T08:33:07.926Z"
2799 |    },
2800 |    {
2801 |     "duration": 1,
2802 |     "start_time": "2022-01-31T08:33:08.005Z"
2803 |    },
2804 |    {
2805 |     "duration": 6,
2806 |     "start_time": "2022-01-31T08:33:08.008Z"
2807 |    },
2808 |    {
2809 |     "duration": 5,
2810 |     "start_time": "2022-01-31T08:33:08.015Z"
2811 |    },
2812 |    {
2813 |     "duration": 4,
2814 |     "start_time": "2022-01-31T08:33:08.022Z"
2815 |    },
2816 |    {
2817 |     "duration": 6,
2818 |     "start_time": "2022-01-31T08:33:08.027Z"
2819 |    },
2820 |    {
2821 |     "duration": 8,
2822 |     "start_time": "2022-01-31T08:33:08.034Z"
2823 |    },
2824 |    {
2825 |     "duration": 7,
2826 |     "start_time": "2022-01-31T08:33:08.044Z"
2827 |    },
2828 |    {
2829 |     "duration": 9,
2830 |     "start_time": "2022-01-31T08:33:08.052Z"
2831 |    },
2832 |    {
2833 |     "duration": 8,
2834 |     "start_time": "2022-01-31T08:33:08.062Z"
2835 |    },
2836 |    {
2837 |     "duration": 10,
2838 |     "start_time": "2022-01-31T08:33:08.072Z"
2839 |    },
2840 |    {
2841 |     "duration": 8,
2842 |     "start_time": "2022-01-31T08:33:08.084Z"
2843 |    },
2844 |    {
2845 |     "duration": 8,
2846 |     "start_time": "2022-01-31T08:33:08.093Z"
2847 |    },
2848 |    {
2849 |     "duration": 8,
2850 |     "start_time": "2022-01-31T08:33:08.102Z"
2851 |    },
2852 |    {
2853 |     "duration": 7,
2854 |     "start_time": "2022-01-31T08:33:08.112Z"
2855 |    },
2856 |    {
2857 |     "duration": 11,
2858 |     "start_time": "2022-01-31T08:33:08.121Z"
2859 |    },
2860 |    {
2861 |     "duration": 6,
2862 |     "start_time": "2022-01-31T08:33:08.135Z"
2863 |    },
2864 |    {
2865 |     "duration": 7,
2866 |     "start_time": "2022-01-31T08:33:08.142Z"
2867 |    },
2868 |    {
2869 |     "duration": 8,
2870 |     "start_time": "2022-01-31T08:33:08.151Z"
2871 |    },
2872 |    {
2873 |     "duration": 8,
2874 |     "start_time": "2022-01-31T08:33:08.160Z"
2875 |    },
2876 |    {
2877 |     "duration": 11,
2878 |     "start_time": "2022-01-31T08:33:08.169Z"
2879 |    },
2880 |    {
2881 |     "duration": 10,
2882 |     "start_time": "2022-01-31T08:33:08.181Z"
2883 |    },
2884 |    {
2885 |     "duration": 11,
2886 |     "start_time": "2022-01-31T08:33:08.192Z"
2887 |    },
2888 |    {
2889 |     "duration": 9,
2890 |     "start_time": "2022-01-31T08:33:08.204Z"
2891 |    },
2892 |    {
2893 |     "duration": 8,
2894 |     "start_time": "2022-01-31T08:33:08.214Z"
2895 |    },
2896 |    {
2897 |     "duration": 8,
2898 |     "start_time": "2022-01-31T08:33:08.224Z"
2899 |    },
2900 |    {
2901 |     "duration": 6,
2902 |     "start_time": "2022-01-31T08:33:08.234Z"
2903 |    },
2904 |    {
2905 |     "duration": 8,
2906 |     "start_time": "2022-01-31T08:33:08.242Z"
2907 |    },
2908 |    {
2909 |     "duration": 68,
2910 |     "start_time": "2022-01-31T08:34:11.549Z"
2911 |    },
2912 |    {
2913 |     "duration": 46,
2914 |     "start_time": "2022-01-31T08:34:29.108Z"
2915 |    },
2916 |    {
2917 |     "duration": 18,
2918 |     "start_time": "2022-01-31T08:36:10.862Z"
2919 |    },
2920 |    {
2921 |     "duration": 11769,
2922 |     "start_time": "2022-01-31T08:36:28.721Z"
2923 |    },
2924 |    {
2925 |     "duration": 8,
2926 |     "start_time": "2022-01-31T08:37:04.491Z"
2927 |    },
2928 |    {
2929 |     "duration": 6,
2930 |     "start_time": "2022-01-31T08:37:17.994Z"
2931 |    },
2932 |    {
2933 |     "duration": 9,
2934 |     "start_time": "2022-01-31T08:37:37.238Z"
2935 |    },
2936 |    {
2937 |     "duration": 8,
2938 |     "start_time": "2022-01-31T09:02:37.923Z"
2939 |    },
2940 |    {
2941 |     "duration": 3,
2942 |     "start_time": "2022-01-31T09:03:03.279Z"
2943 |    },
2944 |    {
2945 |     "duration": 271,
2946 |     "start_time": "2022-01-31T09:03:09.727Z"
2947 |    },
2948 |    {
2949 |     "duration": 516,
2950 |     "start_time": "2022-01-31T09:03:29.260Z"
2951 |    },
2952 |    {
2953 |     "duration": 4,
2954 |     "start_time": "2022-01-31T09:05:04.926Z"
2955 |    },
2956 |    {
2957 |     "duration": 510,
2958 |     "start_time": "2022-01-31T09:05:09.252Z"
2959 |    },
2960 |    {
2961 |     "duration": 581,
2962 |     "start_time": "2022-01-31T09:07:06.510Z"
2963 |    },
2964 |    {
2965 |     "duration": 3,
2966 |     "start_time": "2022-01-31T09:08:20.260Z"
2967 |    },
2968 |    {
2969 |     "duration": 9,
2970 |     "start_time": "2022-01-31T09:08:25.905Z"
2971 |    },
2972 |    {
2973 |     "duration": 9,
2974 |     "start_time": "2022-01-31T09:08:34.020Z"
2975 |    },
2976 |    {
2977 |     "duration": 254,
2978 |     "start_time": "2022-01-31T09:18:12.201Z"
2979 |    },
2980 |    {
2981 |     "duration": 9,
2982 |     "start_time": "2022-01-31T09:19:35.972Z"
2983 |    },
2984 |    {
2985 |     "duration": 3,
2986 |     "start_time": "2022-01-31T09:19:40.718Z"
2987 |    },
2988 |    {
2989 |     "duration": 13,
2990 |     "start_time": "2022-01-31T09:20:31.445Z"
2991 |    },
2992 |    {
2993 |     "duration": 4,
2994 |     "start_time": "2022-01-31T09:20:35.445Z"
2995 |    },
2996 |    {
2997 |     "duration": 10,
2998 |     "start_time": "2022-01-31T09:21:15.058Z"
2999 |    },
3000 |    {
3001 |     "duration": 2,
3002 |     "start_time": "2022-01-31T09:21:20.619Z"
3003 |    },
3004 |    {
3005 |     "duration": 20,
3006 |     "start_time": "2022-01-31T09:21:38.685Z"
3007 |    },
3008 |    {
3009 |     "duration": 15,
3010 |     "start_time": "2022-01-31T09:21:45.100Z"
3011 |    },
3012 |    {
3013 |     "duration": 19,
3014 |     "start_time": "2022-01-31T09:21:51.331Z"
3015 |    },
3016 |    {
3017 |     "duration": 48,
3018 |     "start_time": "2022-01-31T09:21:55.296Z"
3019 |    },
3020 |    {
3021 |     "duration": 52,
3022 |     "start_time": "2022-01-31T09:22:02.378Z"
3023 |    },
3024 |    {
3025 |     "duration": 58,
3026 |     "start_time": "2022-01-31T09:22:07.201Z"
3027 |    },
3028 |    {
3029 |     "duration": 51,
3030 |     "start_time": "2022-01-31T09:22:11.608Z"
3031 |    },
3032 |    {
3033 |     "duration": 10,
3034 |     "start_time": "2022-01-31T09:22:22.910Z"
3035 |    },
3036 |    {
3037 |     "duration": 3,
3038 |     "start_time": "2022-01-31T09:22:28.937Z"
3039 |    },
3040 |    {
3041 |     "duration": 156,
3042 |     "start_time": "2022-01-31T09:22:28.941Z"
3043 |    },
3044 |    {
3045 |     "duration": 9,
3046 |     "start_time": "2022-01-31T09:22:29.099Z"
3047 |    },
3048 |    {
3049 |     "duration": 29,
3050 |     "start_time": "2022-01-31T09:22:29.109Z"
3051 |    },
3052 |    {
3053 |     "duration": 17,
3054 |     "start_time": "2022-01-31T09:22:29.140Z"
3055 |    },
3056 |    {
3057 |     "duration": 15,
3058 |     "start_time": "2022-01-31T09:22:29.158Z"
3059 |    },
3060 |    {
3061 |     "duration": 3,
3062 |     "start_time": "2022-01-31T09:22:29.175Z"
3063 |    },
3064 |    {
3065 |     "duration": 21,
3066 |     "start_time": "2022-01-31T09:22:29.180Z"
3067 |    },
3068 |    {
3069 |     "duration": 15,
3070 |     "start_time": "2022-01-31T09:22:29.202Z"
3071 |    },
3072 |    {
3073 |     "duration": 19,
3074 |     "start_time": "2022-01-31T09:22:29.218Z"
3075 |    },
3076 |    {
3077 |     "duration": 70,
3078 |     "start_time": "2022-01-31T09:22:29.238Z"
3079 |    },
3080 |    {
3081 |     "duration": 51,
3082 |     "start_time": "2022-01-31T09:22:29.310Z"
3083 |    },
3084 |    {
3085 |     "duration": 48,
3086 |     "start_time": "2022-01-31T09:22:29.363Z"
3087 |    },
3088 |    {
3089 |     "duration": 8,
3090 |     "start_time": "2022-01-31T09:22:29.412Z"
3091 |    },
3092 |    {
3093 |     "duration": 2,
3094 |     "start_time": "2022-01-31T09:22:29.422Z"
3095 |    },
3096 |    {
3097 |     "duration": 9,
3098 |     "start_time": "2022-01-31T09:22:29.426Z"
3099 |    },
3100 |    {
3101 |     "duration": 8,
3102 |     "start_time": "2022-01-31T09:22:29.437Z"
3103 |    },
3104 |    {
3105 |     "duration": 27,
3106 |     "start_time": "2022-01-31T09:22:29.446Z"
3107 |    },
3108 |    {
3109 |     "duration": 4,
3110 |     "start_time": "2022-01-31T09:22:29.476Z"
3111 |    },
3112 |    {
3113 |     "duration": 4,
3114 |     "start_time": "2022-01-31T09:22:29.481Z"
3115 |    },
3116 |    {
3117 |     "duration": 8,
3118 |     "start_time": "2022-01-31T09:22:29.486Z"
3119 |    },
3120 |    {
3121 |     "duration": 8,
3122 |     "start_time": "2022-01-31T09:22:29.495Z"
3123 |    },
3124 |    {
3125 |     "duration": 9,
3126 |     "start_time": "2022-01-31T09:22:29.504Z"
3127 |    },
3128 |    {
3129 |     "duration": 9,
3130 |     "start_time": "2022-01-31T09:22:29.514Z"
3131 |    },
3132 |    {
3133 |     "duration": 8,
3134 |     "start_time": "2022-01-31T09:22:29.524Z"
3135 |    },
3136 |    {
3137 |     "duration": 11,
3138 |     "start_time": "2022-01-31T09:22:29.534Z"
3139 |    },
3140 |    {
3141 |     "duration": 8,
3142 |     "start_time": "2022-01-31T09:22:29.546Z"
3143 |    },
3144 |    {
3145 |     "duration": 9,
3146 |     "start_time": "2022-01-31T09:22:29.555Z"
3147 |    },
3148 |    {
3149 |     "duration": 8,
3150 |     "start_time": "2022-01-31T09:22:29.565Z"
3151 |    },
3152 |    {
3153 |     "duration": 9,
3154 |     "start_time": "2022-01-31T09:22:29.575Z"
3155 |    },
3156 |    {
3157 |     "duration": 11,
3158 |     "start_time": "2022-01-31T09:22:29.585Z"
3159 |    },
3160 |    {
3161 |     "duration": 8,
3162 |     "start_time": "2022-01-31T09:22:29.597Z"
3163 |    },
3164 |    {
3165 |     "duration": 11,
3166 |     "start_time": "2022-01-31T09:22:29.607Z"
3167 |    },
3168 |    {
3169 |     "duration": 8,
3170 |     "start_time": "2022-01-31T09:22:29.619Z"
3171 |    },
3172 |    {
3173 |     "duration": 9,
3174 |     "start_time": "2022-01-31T09:22:29.628Z"
3175 |    },
3176 |    {
3177 |     "duration": 8,
3178 |     "start_time": "2022-01-31T09:22:29.639Z"
3179 |    },
3180 |    {
3181 |     "duration": 9,
3182 |     "start_time": "2022-01-31T09:22:29.649Z"
3183 |    },
3184 |    {
3185 |     "duration": 8,
3186 |     "start_time": "2022-01-31T09:22:29.659Z"
3187 |    },
3188 |    {
3189 |     "duration": 4,
3190 |     "start_time": "2022-01-31T09:24:42.453Z"
3191 |    },
3192 |    {
3193 |     "duration": 49,
3194 |     "start_time": "2022-01-31T09:25:03.125Z"
3195 |    },
3196 |    {
3197 |     "duration": 11,
3198 |     "start_time": "2022-01-31T09:25:36.533Z"
3199 |    },
3200 |    {
3201 |     "duration": 266,
3202 |     "start_time": "2022-01-31T09:28:06.853Z"
3203 |    },
3204 |    {
3205 |     "duration": 11,
3206 |     "start_time": "2022-01-31T09:41:04.476Z"
3207 |    },
3208 |    {
3209 |     "duration": 3,
3210 |     "start_time": "2022-01-31T10:02:32.374Z"
3211 |    },
3212 |    {
3213 |     "duration": 560,
3214 |     "start_time": "2022-01-31T10:11:57.771Z"
3215 |    },
3216 |    {
3217 |     "duration": 3,
3218 |     "start_time": "2022-01-31T10:12:24.760Z"
3219 |    },
3220 |    {
3221 |     "duration": 20,
3222 |     "start_time": "2022-01-31T10:12:29.669Z"
3223 |    },
3224 |    {
3225 |     "duration": 18,
3226 |     "start_time": "2022-01-31T10:12:35.211Z"
3227 |    },
3228 |    {
3229 |     "duration": 19,
3230 |     "start_time": "2022-01-31T10:12:40.083Z"
3231 |    },
3232 |    {
3233 |     "duration": 18,
3234 |     "start_time": "2022-01-31T10:12:43.148Z"
3235 |    },
3236 |    {
3237 |     "duration": 20,
3238 |     "start_time": "2022-01-31T10:12:46.606Z"
3239 |    },
3240 |    {
3241 |     "duration": 13,
3242 |     "start_time": "2022-01-31T10:12:49.932Z"
3243 |    },
3244 |    {
3245 |     "duration": 289,
3246 |     "start_time": "2022-01-31T10:13:03.221Z"
3247 |    },
3248 |    {
3249 |     "duration": 20,
3250 |     "start_time": "2022-01-31T10:14:14.455Z"
3251 |    },
3252 |    {
3253 |     "duration": 19,
3254 |     "start_time": "2022-01-31T10:14:18.952Z"
3255 |    },
3256 |    {
3257 |     "duration": 20,
3258 |     "start_time": "2022-01-31T10:14:24.210Z"
3259 |    },
3260 |    {
3261 |     "duration": 17,
3262 |     "start_time": "2022-01-31T10:14:28.269Z"
3263 |    },
3264 |    {
3265 |     "duration": 21,
3266 |     "start_time": "2022-01-31T10:14:33.377Z"
3267 |    },
3268 |    {
3269 |     "duration": 17,
3270 |     "start_time": "2022-01-31T10:14:36.345Z"
3271 |    },
3272 |    {
3273 |     "duration": 19,
3274 |     "start_time": "2022-01-31T10:15:22.536Z"
3275 |    },
3276 |    {
3277 |     "duration": 17,
3278 |     "start_time": "2022-01-31T10:15:26.700Z"
3279 |    },
3280 |    {
3281 |     "duration": 20,
3282 |     "start_time": "2022-01-31T10:16:47.277Z"
3283 |    },
3284 |    {
3285 |     "duration": 20,
3286 |     "start_time": "2022-01-31T10:17:39.703Z"
3287 |    },
3288 |    {
3289 |     "duration": 20,
3290 |     "start_time": "2022-01-31T10:17:45.329Z"
3291 |    },
3292 |    {
3293 |     "duration": 17,
3294 |     "start_time": "2022-01-31T10:17:48.313Z"
3295 |    },
3296 |    {
3297 |     "duration": 20,
3298 |     "start_time": "2022-01-31T10:17:52.285Z"
3299 |    },
3300 |    {
3301 |     "duration": 18,
3302 |     "start_time": "2022-01-31T10:17:56.465Z"
3303 |    },
3304 |    {
3305 |     "duration": 19,
3306 |     "start_time": "2022-01-31T10:19:25.205Z"
3307 |    },
3308 |    {
3309 |     "duration": 18,
3310 |     "start_time": "2022-01-31T10:19:30.782Z"
3311 |    },
3312 |    {
3313 |     "duration": 3,
3314 |     "start_time": "2022-01-31T10:19:33.269Z"
3315 |    },
3316 |    {
3317 |     "duration": 47,
3318 |     "start_time": "2022-01-31T10:19:39.074Z"
3319 |    },
3320 |    {
3321 |     "duration": 30,
3322 |     "start_time": "2022-01-31T10:19:52.182Z"
3323 |    },
3324 |    {
3325 |     "duration": 51,
3326 |     "start_time": "2022-01-31T10:20:51.234Z"
3327 |    },
3328 |    {
3329 |     "duration": 51,
3330 |     "start_time": "2022-01-31T10:20:55.477Z"
3331 |    },
3332 |    {
3333 |     "duration": 4,
3334 |     "start_time": "2022-01-31T10:21:19.005Z"
3335 |    },
3336 |    {
3337 |     "duration": 20,
3338 |     "start_time": "2022-01-31T10:21:22.437Z"
3339 |    },
3340 |    {
3341 |     "duration": 17,
3342 |     "start_time": "2022-01-31T10:21:25.389Z"
3343 |    },
3344 |    {
3345 |     "duration": 21,
3346 |     "start_time": "2022-01-31T10:21:30.558Z"
3347 |    },
3348 |    {
3349 |     "duration": 17,
3350 |     "start_time": "2022-01-31T10:21:35.174Z"
3351 |    },
3352 |    {
3353 |     "duration": 3,
3354 |     "start_time": "2022-01-31T10:23:08.983Z"
3355 |    },
3356 |    {
3357 |     "duration": 554,
3358 |     "start_time": "2022-01-31T10:23:13.602Z"
3359 |    },
3360 |    {
3361 |     "duration": 4,
3362 |     "start_time": "2022-01-31T10:28:23.030Z"
3363 |    },
3364 |    {
3365 |     "duration": 22,
3366 |     "start_time": "2022-01-31T10:28:27.331Z"
3367 |    },
3368 |    {
3369 |     "duration": 26,
3370 |     "start_time": "2022-01-31T10:28:31.469Z"
3371 |    },
3372 |    {
3373 |     "duration": 21,
3374 |     "start_time": "2022-01-31T10:28:35.949Z"
3375 |    },
3376 |    {
3377 |     "duration": 21,
3378 |     "start_time": "2022-01-31T10:30:08.243Z"
3379 |    },
3380 |    {
3381 |     "duration": 3,
3382 |     "start_time": "2022-01-31T10:33:19.045Z"
3383 |    },
3384 |    {
3385 |     "duration": 528,
3386 |     "start_time": "2022-01-31T10:33:23.182Z"
3387 |    },
3388 |    {
3389 |     "duration": 532,
3390 |     "start_time": "2022-01-31T10:34:28.331Z"
3391 |    },
3392 |    {
3393 |     "duration": 569,
3394 |     "start_time": "2022-01-31T10:44:01.003Z"
3395 |    },
3396 |    {
3397 |     "duration": 526,
3398 |     "start_time": "2022-01-31T10:44:59.420Z"
3399 |    },
3400 |    {
3401 |     "duration": 4,
3402 |     "start_time": "2022-01-31T10:50:59.132Z"
3403 |    },
3404 |    {
3405 |     "duration": 62,
3406 |     "start_time": "2022-01-31T10:51:02.471Z"
3407 |    },
3408 |    {
3409 |     "duration": 3,
3410 |     "start_time": "2022-01-31T10:52:06.395Z"
3411 |    },
3412 |    {
3413 |     "duration": 21,
3414 |     "start_time": "2022-01-31T10:52:12.485Z"
3415 |    },
3416 |    {
3417 |     "duration": 19,
3418 |     "start_time": "2022-01-31T10:52:17.644Z"
3419 |    },
3420 |    {
3421 |     "duration": 7,
3422 |     "start_time": "2022-01-31T10:53:30.200Z"
3423 |    },
3424 |    {
3425 |     "duration": 566,
3426 |     "start_time": "2022-01-31T10:53:33.505Z"
3427 |    },
3428 |    {
3429 |     "duration": 3,
3430 |     "start_time": "2022-01-31T10:54:45.301Z"
3431 |    },
3432 |    {
3433 |     "duration": 1382,
3434 |     "start_time": "2022-01-31T10:54:50.229Z"
3435 |    },
3436 |    {
3437 |     "duration": 557,
3438 |     "start_time": "2022-01-31T10:57:02.718Z"
3439 |    },
3440 |    {
3441 |     "duration": 627,
3442 |     "start_time": "2022-01-31T11:00:56.025Z"
3443 |    },
3444 |    {
3445 |     "duration": 3,
3446 |     "start_time": "2022-01-31T11:01:46.107Z"
3447 |    },
3448 |    {
3449 |     "duration": 24,
3450 |     "start_time": "2022-01-31T11:01:49.816Z"
3451 |    },
3452 |    {
3453 |     "duration": 20,
3454 |     "start_time": "2022-01-31T11:01:57.505Z"
3455 |    },
3456 |    {
3457 |     "duration": 22,
3458 |     "start_time": "2022-01-31T11:02:01.840Z"
3459 |    },
3460 |    {
3461 |     "duration": 4,
3462 |     "start_time": "2022-01-31T11:03:06.596Z"
3463 |    },
3464 |    {
3465 |     "duration": 61,
3466 |     "start_time": "2022-01-31T11:03:12.398Z"
3467 |    },
3468 |    {
3469 |     "duration": 4,
3470 |     "start_time": "2022-01-31T11:04:08.489Z"
3471 |    },
3472 |    {
3473 |     "duration": 54,
3474 |     "start_time": "2022-01-31T11:04:13.145Z"
3475 |    },
3476 |    {
3477 |     "duration": 8,
3478 |     "start_time": "2022-01-31T11:05:08.373Z"
3479 |    },
3480 |    {
3481 |     "duration": 50,
3482 |     "start_time": "2022-01-31T11:05:12.570Z"
3483 |    },
3484 |    {
3485 |     "duration": 3,
3486 |     "start_time": "2022-01-31T11:06:29.452Z"
3487 |    },
3488 |    {
3489 |     "duration": 556,
3490 |     "start_time": "2022-01-31T11:06:32.394Z"
3491 |    },
3492 |    {
3493 |     "duration": 643,
3494 |     "start_time": "2022-01-31T11:07:12.258Z"
3495 |    },
3496 |    {
3497 |     "duration": 535,
3498 |     "start_time": "2022-01-31T11:08:51.684Z"
3499 |    },
3500 |    {
3501 |     "duration": 3,
3502 |     "start_time": "2022-01-31T11:09:09.961Z"
3503 |    },
3504 |    {
3505 |     "duration": 547,
3506 |     "start_time": "2022-01-31T11:09:13.849Z"
3507 |    },
3508 |    {
3509 |     "duration": 4,
3510 |     "start_time": "2022-01-31T11:13:54.617Z"
3511 |    },
3512 |    {
3513 |     "duration": 16,
3514 |     "start_time": "2022-01-31T11:13:58.529Z"
3515 |    },
3516 |    {
3517 |     "duration": 14,
3518 |     "start_time": "2022-01-31T11:14:01.509Z"
3519 |    },
3520 |    {
3521 |     "duration": 15,
3522 |     "start_time": "2022-01-31T11:14:02.733Z"
3523 |    },
3524 |    {
3525 |     "duration": 14,
3526 |     "start_time": "2022-01-31T11:14:03.560Z"
3527 |    },
3528 |    {
3529 |     "duration": 16,
3530 |     "start_time": "2022-01-31T11:14:04.276Z"
3531 |    },
3532 |    {
3533 |     "duration": 13,
3534 |     "start_time": "2022-01-31T11:14:04.988Z"
3535 |    },
3536 |    {
3537 |     "duration": 296,
3538 |     "start_time": "2022-01-31T11:14:52.006Z"
3539 |    },
3540 |    {
3541 |     "duration": 246,
3542 |     "start_time": "2022-01-31T11:23:21.847Z"
3543 |    },
3544 |    {
3545 |     "duration": 303,
3546 |     "start_time": "2022-01-31T11:23:32.170Z"
3547 |    },
3548 |    {
3549 |     "duration": 4,
3550 |     "start_time": "2022-01-31T11:23:42.337Z"
3551 |    },
3552 |    {
3553 |     "duration": 7,
3554 |     "start_time": "2022-01-31T11:24:08.561Z"
3555 |    },
3556 |    {
3557 |     "duration": 11,
3558 |     "start_time": "2022-01-31T12:36:03.114Z"
3559 |    },
3560 |    {
3561 |     "duration": 8,
3562 |     "start_time": "2022-01-31T12:36:06.489Z"
3563 |    },
3564 |    {
3565 |     "duration": 112,
3566 |     "start_time": "2022-01-31T12:50:14.889Z"
3567 |    },
3568 |    {
3569 |     "duration": 4,
3570 |     "start_time": "2022-01-31T12:50:29.714Z"
3571 |    },
3572 |    {
3573 |     "duration": 256,
3574 |     "start_time": "2022-01-31T12:53:53.660Z"
3575 |    },
3576 |    {
3577 |     "duration": 17,
3578 |     "start_time": "2022-01-31T12:54:21.945Z"
3579 |    },
3580 |    {
3581 |     "duration": 13,
3582 |     "start_time": "2022-01-31T12:55:08.105Z"
3583 |    },
3584 |    {
3585 |     "duration": 16,
3586 |     "start_time": "2022-01-31T12:55:24.557Z"
3587 |    },
3588 |    {
3589 |     "duration": 13,
3590 |     "start_time": "2022-01-31T12:55:34.753Z"
3591 |    },
3592 |    {
3593 |     "duration": 9,
3594 |     "start_time": "2022-01-31T13:04:16.765Z"
3595 |    },
3596 |    {
3597 |     "duration": 10,
3598 |     "start_time": "2022-01-31T13:05:39.827Z"
3599 |    },
3600 |    {
3601 |     "duration": 10,
3602 |     "start_time": "2022-01-31T13:05:42.965Z"
3603 |    },
3604 |    {
3605 |     "duration": 4,
3606 |     "start_time": "2022-01-31T13:05:47.746Z"
3607 |    },
3608 |    {
3609 |     "duration": 10,
3610 |     "start_time": "2022-01-31T13:06:58.768Z"
3611 |    },
3612 |    {
3613 |     "duration": 6,
3614 |     "start_time": "2022-01-31T13:07:05.000Z"
3615 |    },
3616 |    {
3617 |     "duration": 5,
3618 |     "start_time": "2022-01-31T13:07:08.887Z"
3619 |    },
3620 |    {
3621 |     "duration": 5,
3622 |     "start_time": "2022-01-31T13:08:09.250Z"
3623 |    },
3624 |    {
3625 |     "duration": 4,
3626 |     "start_time": "2022-01-31T13:08:24.710Z"
3627 |    },
3628 |    {
3629 |     "duration": 4,
3630 |     "start_time": "2022-01-31T13:14:00.041Z"
3631 |    },
3632 |    {
3633 |     "duration": 5,
3634 |     "start_time": "2022-01-31T13:14:15.760Z"
3635 |    },
3636 |    {
3637 |     "duration": 19,
3638 |     "start_time": "2022-01-31T13:14:30.607Z"
3639 |    },
3640 |    {
3641 |     "duration": 3,
3642 |     "start_time": "2022-01-31T13:14:48.479Z"
3643 |    },
3644 |    {
3645 |     "duration": 115,
3646 |     "start_time": "2022-01-31T13:14:48.483Z"
3647 |    },
3648 |    {
3649 |     "duration": 9,
3650 |     "start_time": "2022-01-31T13:14:48.600Z"
3651 |    },
3652 |    {
3653 |     "duration": 21,
3654 |     "start_time": "2022-01-31T13:14:48.610Z"
3655 |    },
3656 |    {
3657 |     "duration": 3,
3658 |     "start_time": "2022-01-31T13:14:48.633Z"
3659 |    },
3660 |    {
3661 |     "duration": 40,
3662 |     "start_time": "2022-01-31T13:14:48.637Z"
3663 |    },
3664 |    {
3665 |     "duration": 4,
3666 |     "start_time": "2022-01-31T13:14:48.679Z"
3667 |    },
3668 |    {
3669 |     "duration": 22,
3670 |     "start_time": "2022-01-31T13:14:48.685Z"
3671 |    },
3672 |    {
3673 |     "duration": 14,
3674 |     "start_time": "2022-01-31T13:14:48.708Z"
3675 |    },
3676 |    {
3677 |     "duration": 20,
3678 |     "start_time": "2022-01-31T13:14:48.723Z"
3679 |    },
3680 |    {
3681 |     "duration": 73,
3682 |     "start_time": "2022-01-31T13:14:48.745Z"
3683 |    },
3684 |    {
3685 |     "duration": 60,
3686 |     "start_time": "2022-01-31T13:14:48.819Z"
3687 |    },
3688 |    {
3689 |     "duration": 44,
3690 |     "start_time": "2022-01-31T13:14:48.881Z"
3691 |    },
3692 |    {
3693 |     "duration": 8,
3694 |     "start_time": "2022-01-31T13:14:48.927Z"
3695 |    },
3696 |    {
3697 |     "duration": 8,
3698 |     "start_time": "2022-01-31T13:14:48.937Z"
3699 |    },
3700 |    {
3701 |     "duration": 30,
3702 |     "start_time": "2022-01-31T13:14:48.946Z"
3703 |    },
3704 |    {
3705 |     "duration": 8,
3706 |     "start_time": "2022-01-31T13:14:48.977Z"
3707 |    },
3708 |    {
3709 |     "duration": 18,
3710 |     "start_time": "2022-01-31T13:14:48.987Z"
3711 |    },
3712 |    {
3713 |     "duration": 20,
3714 |     "start_time": "2022-01-31T13:14:49.007Z"
3715 |    },
3716 |    {
3717 |     "duration": 5,
3718 |     "start_time": "2022-01-31T13:14:49.029Z"
3719 |    },
3720 |    {
3721 |     "duration": 30,
3722 |     "start_time": "2022-01-31T13:14:49.036Z"
3723 |    },
3724 |    {
3725 |     "duration": 19,
3726 |     "start_time": "2022-01-31T13:14:49.067Z"
3727 |    },
3728 |    {
3729 |     "duration": 17,
3730 |     "start_time": "2022-01-31T13:14:49.087Z"
3731 |    },
3732 |    {
3733 |     "duration": 16,
3734 |     "start_time": "2022-01-31T13:14:49.106Z"
3735 |    },
3736 |    {
3737 |     "duration": 16,
3738 |     "start_time": "2022-01-31T13:14:49.124Z"
3739 |    },
3740 |    {
3741 |     "duration": 16,
3742 |     "start_time": "2022-01-31T13:14:49.142Z"
3743 |    },
3744 |    {
3745 |     "duration": 14,
3746 |     "start_time": "2022-01-31T13:14:49.160Z"
3747 |    },
3748 |    {
3749 |     "duration": 25,
3750 |     "start_time": "2022-01-31T13:14:49.175Z"
3751 |    },
3752 |    {
3753 |     "duration": 8,
3754 |     "start_time": "2022-01-31T13:14:49.202Z"
3755 |    },
3756 |    {
3757 |     "duration": 15,
3758 |     "start_time": "2022-01-31T13:14:49.212Z"
3759 |    },
3760 |    {
3761 |     "duration": 31,
3762 |     "start_time": "2022-01-31T13:14:49.228Z"
3763 |    },
3764 |    {
3765 |     "duration": 9,
3766 |     "start_time": "2022-01-31T13:14:49.261Z"
3767 |    },
3768 |    {
3769 |     "duration": 12,
3770 |     "start_time": "2022-01-31T13:14:49.272Z"
3771 |    },
3772 |    {
3773 |     "duration": 8,
3774 |     "start_time": "2022-01-31T13:14:49.286Z"
3775 |    },
3776 |    {
3777 |     "duration": 9,
3778 |     "start_time": "2022-01-31T13:14:49.296Z"
3779 |    },
3780 |    {
3781 |     "duration": 5,
3782 |     "start_time": "2022-01-31T13:14:49.306Z"
3783 |    },
3784 |    {
3785 |     "duration": 11,
3786 |     "start_time": "2022-01-31T13:14:49.313Z"
3787 |    },
3788 |    {
3789 |     "duration": 7,
3790 |     "start_time": "2022-01-31T13:14:49.325Z"
3791 |    },
3792 |    {
3793 |     "duration": 21,
3794 |     "start_time": "2022-01-31T13:15:23.831Z"
3795 |    },
3796 |    {
3797 |     "duration": 45,
3798 |     "start_time": "2022-01-31T13:15:37.476Z"
3799 |    },
3800 |    {
3801 |     "duration": 2,
3802 |     "start_time": "2022-01-31T13:16:29.802Z"
3803 |    },
3804 |    {
3805 |     "duration": 135,
3806 |     "start_time": "2022-01-31T13:16:29.806Z"
3807 |    },
3808 |    {
3809 |     "duration": 9,
3810 |     "start_time": "2022-01-31T13:16:29.943Z"
3811 |    },
3812 |    {
3813 |     "duration": 38,
3814 |     "start_time": "2022-01-31T13:16:29.954Z"
3815 |    },
3816 |    {
3817 |     "duration": 4,
3818 |     "start_time": "2022-01-31T13:16:29.994Z"
3819 |    },
3820 |    {
3821 |     "duration": 12,
3822 |     "start_time": "2022-01-31T13:16:30.000Z"
3823 |    },
3824 |    {
3825 |     "duration": 4,
3826 |     "start_time": "2022-01-31T13:16:30.013Z"
3827 |    },
3828 |    {
3829 |     "duration": 54,
3830 |     "start_time": "2022-01-31T13:16:30.019Z"
3831 |    },
3832 |    {
3833 |     "duration": 17,
3834 |     "start_time": "2022-01-31T13:16:30.075Z"
3835 |    },
3836 |    {
3837 |     "duration": 31,
3838 |     "start_time": "2022-01-31T13:16:30.093Z"
3839 |    },
3840 |    {
3841 |     "duration": 66,
3842 |     "start_time": "2022-01-31T13:16:30.126Z"
3843 |    },
3844 |    {
3845 |     "duration": 57,
3846 |     "start_time": "2022-01-31T13:16:30.194Z"
3847 |    },
3848 |    {
3849 |     "duration": 70,
3850 |     "start_time": "2022-01-31T13:16:30.252Z"
3851 |    },
3852 |    {
3853 |     "duration": 8,
3854 |     "start_time": "2022-01-31T13:16:30.324Z"
3855 |    },
3856 |    {
3857 |     "duration": 3,
3858 |     "start_time": "2022-01-31T13:16:30.334Z"
3859 |    },
3860 |    {
3861 |     "duration": 14,
3862 |     "start_time": "2022-01-31T13:16:30.339Z"
3863 |    },
3864 |    {
3865 |     "duration": 15,
3866 |     "start_time": "2022-01-31T13:16:30.371Z"
3867 |    },
3868 |    {
3869 |     "duration": 10,
3870 |     "start_time": "2022-01-31T13:16:30.388Z"
3871 |    },
3872 |    {
3873 |     "duration": 9,
3874 |     "start_time": "2022-01-31T13:16:30.399Z"
3875 |    },
3876 |    {
3877 |     "duration": 2,
3878 |     "start_time": "2022-01-31T13:16:30.410Z"
3879 |    },
3880 |    {
3881 |     "duration": 24,
3882 |     "start_time": "2022-01-31T13:16:30.413Z"
3883 |    },
3884 |    {
3885 |     "duration": 36,
3886 |     "start_time": "2022-01-31T13:16:30.439Z"
3887 |    },
3888 |    {
3889 |     "duration": 27,
3890 |     "start_time": "2022-01-31T13:16:30.479Z"
3891 |    },
3892 |    {
3893 |     "duration": 12,
3894 |     "start_time": "2022-01-31T13:16:30.508Z"
3895 |    },
3896 |    {
3897 |     "duration": 24,
3898 |     "start_time": "2022-01-31T13:16:30.521Z"
3899 |    },
3900 |    {
3901 |     "duration": 30,
3902 |     "start_time": "2022-01-31T13:16:30.547Z"
3903 |    },
3904 |    {
3905 |     "duration": 10,
3906 |     "start_time": "2022-01-31T13:16:30.579Z"
3907 |    },
3908 |    {
3909 |     "duration": 16,
3910 |     "start_time": "2022-01-31T13:16:30.591Z"
3911 |    },
3912 |    {
3913 |     "duration": 13,
3914 |     "start_time": "2022-01-31T13:16:30.609Z"
3915 |    },
3916 |    {
3917 |     "duration": 10,
3918 |     "start_time": "2022-01-31T13:16:30.624Z"
3919 |    },
3920 |    {
3921 |     "duration": 31,
3922 |     "start_time": "2022-01-31T13:16:30.636Z"
3923 |    },
3924 |    {
3925 |     "duration": 29,
3926 |     "start_time": "2022-01-31T13:16:30.668Z"
3927 |    },
3928 |    {
3929 |     "duration": 16,
3930 |     "start_time": "2022-01-31T13:16:30.698Z"
3931 |    },
3932 |    {
3933 |     "duration": 11,
3934 |     "start_time": "2022-01-31T13:16:30.716Z"
3935 |    },
3936 |    {
3937 |     "duration": 14,
3938 |     "start_time": "2022-01-31T13:16:30.729Z"
3939 |    },
3940 |    {
3941 |     "duration": 5,
3942 |     "start_time": "2022-01-31T13:16:30.744Z"
3943 |    },
3944 |    {
3945 |     "duration": 15,
3946 |     "start_time": "2022-01-31T13:16:30.751Z"
3947 |    },
3948 |    {
3949 |     "duration": 6,
3950 |     "start_time": "2022-01-31T13:16:30.772Z"
3951 |    },
3952 |    {
3953 |     "duration": 598,
3954 |     "start_time": "2022-02-09T15:43:42.147Z"
3955 |    },
3956 |    {
3957 |     "duration": 152,
3958 |     "start_time": "2022-02-09T15:43:42.747Z"
3959 |    },
3960 |    {
3961 |     "duration": 20,
3962 |     "start_time": "2022-02-09T15:43:42.902Z"
3963 |    },
3964 |    {
3965 |     "duration": 30,
3966 |     "start_time": "2022-02-09T15:43:42.924Z"
3967 |    },
3968 |    {
3969 |     "duration": 5,
3970 |     "start_time": "2022-02-09T15:43:42.956Z"
3971 |    },
3972 |    {
3973 |     "duration": 50,
3974 |     "start_time": "2022-02-09T15:43:42.963Z"
3975 |    },
3976 |    {
3977 |     "duration": 3,
3978 |     "start_time": "2022-02-09T15:43:43.015Z"
3979 |    },
3980 |    {
3981 |     "duration": 35,
3982 |     "start_time": "2022-02-09T15:43:43.021Z"
3983 |    },
3984 |    {
3985 |     "duration": 19,
3986 |     "start_time": "2022-02-09T15:43:43.059Z"
3987 |    },
3988 |    {
3989 |     "duration": 38,
3990 |     "start_time": "2022-02-09T15:43:43.080Z"
3991 |    },
3992 |    {
3993 |     "duration": 65,
3994 |     "start_time": "2022-02-09T15:43:43.120Z"
3995 |    },
3996 |    {
3997 |     "duration": 84,
3998 |     "start_time": "2022-02-09T15:43:43.187Z"
3999 |    },
4000 |    {
4001 |     "duration": 74,
4002 |     "start_time": "2022-02-09T15:43:43.272Z"
4003 |    },
4004 |    {
4005 |     "duration": 12,
4006 |     "start_time": "2022-02-09T15:43:43.348Z"
4007 |    },
4008 |    {
4009 |     "duration": 4,
4010 |     "start_time": "2022-02-09T15:43:43.363Z"
4011 |    },
4012 |    {
4013 |     "duration": 35,
4014 |     "start_time": "2022-02-09T15:43:43.369Z"
4015 |    },
4016 |    {
4017 |     "duration": 26,
4018 |     "start_time": "2022-02-09T15:43:43.406Z"
4019 |    },
4020 |    {
4021 |     "duration": 14,
4022 |     "start_time": "2022-02-09T15:43:43.434Z"
4023 |    },
4024 |    {
4025 |     "duration": 13,
4026 |     "start_time": "2022-02-09T15:43:43.450Z"
4027 |    },
4028 |    {
4029 |     "duration": 4,
4030 |     "start_time": "2022-02-09T15:43:43.466Z"
4031 |    },
4032 |    {
4033 |     "duration": 41,
4034 |     "start_time": "2022-02-09T15:43:43.472Z"
4035 |    },
4036 |    {
4037 |     "duration": 21,
4038 |     "start_time": "2022-02-09T15:43:43.515Z"
4039 |    },
4040 |    {
4041 |     "duration": 18,
4042 |     "start_time": "2022-02-09T15:43:43.540Z"
4043 |    },
4044 |    {
4045 |     "duration": 47,
4046 |     "start_time": "2022-02-09T15:43:43.561Z"
4047 |    },
4048 |    {
4049 |     "duration": 17,
4050 |     "start_time": "2022-02-09T15:43:43.610Z"
4051 |    },
4052 |    {
4053 |     "duration": 17,
4054 |     "start_time": "2022-02-09T15:43:43.629Z"
4055 |    },
4056 |    {
4057 |     "duration": 10,
4058 |     "start_time": "2022-02-09T15:43:43.647Z"
4059 |    },
4060 |    {
4061 |     "duration": 11,
4062 |     "start_time": "2022-02-09T15:43:43.698Z"
4063 |    },
4064 |    {
4065 |     "duration": 10,
4066 |     "start_time": "2022-02-09T15:43:43.711Z"
4067 |    },
4068 |    {
4069 |     "duration": 4,
4070 |     "start_time": "2022-02-09T15:43:43.723Z"
4071 |    },
4072 |    {
4073 |     "duration": 42,
4074 |     "start_time": "2022-02-09T15:43:43.729Z"
4075 |    },
4076 |    {
4077 |     "duration": 30,
4078 |     "start_time": "2022-02-09T15:43:43.773Z"
4079 |    },
4080 |    {
4081 |     "duration": 19,
4082 |     "start_time": "2022-02-09T15:43:43.804Z"
4083 |    },
4084 |    {
4085 |     "duration": 14,
4086 |     "start_time": "2022-02-09T15:43:43.825Z"
4087 |    },
4088 |    {
4089 |     "duration": 10,
4090 |     "start_time": "2022-02-09T15:43:43.841Z"
4091 |    },
4092 |    {
4093 |     "duration": 5,
4094 |     "start_time": "2022-02-09T15:43:43.854Z"
4095 |    },
4096 |    {
4097 |     "duration": 8,
4098 |     "start_time": "2022-02-09T15:43:43.899Z"
4099 |    },
4100 |    {
4101 |     "duration": 4,
4102 |     "start_time": "2022-02-09T15:43:43.909Z"
4103 |    },
4104 |    {
4105 |     "duration": 11,
4106 |     "start_time": "2022-02-09T15:44:14.239Z"
4107 |    },
4108 |    {
4109 |     "duration": 16,
4110 |     "start_time": "2022-02-09T15:46:28.895Z"
4111 |    },
4112 |    {
4113 |     "duration": 325,
4114 |     "start_time": "2022-02-09T15:48:34.053Z"
4115 |    },
4116 |    {
4117 |     "duration": 11,
4118 |     "start_time": "2022-02-09T15:48:41.152Z"
4119 |    },
4120 |    {
4121 |     "duration": 319,
4122 |     "start_time": "2022-02-10T07:16:45.538Z"
4123 |    },
4124 |    {
4125 |     "duration": 172,
4126 |     "start_time": "2022-02-10T07:17:00.049Z"
4127 |    },
4128 |    {
4129 |     "duration": 261,
4130 |     "start_time": "2022-02-10T07:24:31.511Z"
4131 |    },
4132 |    {
4133 |     "duration": 168,
4134 |     "start_time": "2022-02-10T07:24:32.363Z"
4135 |    },
4136 |    {
4137 |     "duration": 403,
4138 |     "start_time": "2022-02-10T07:30:50.367Z"
4139 |    },
4140 |    {
4141 |     "duration": 830,
4142 |     "start_time": "2022-02-10T07:30:57.862Z"
4143 |    },
4144 |    {
4145 |     "duration": 187,
4146 |     "start_time": "2022-02-10T07:30:58.695Z"
4147 |    },
4148 |    {
4149 |     "duration": 38,
4150 |     "start_time": "2022-02-10T07:30:58.885Z"
4151 |    },
4152 |    {
4153 |     "duration": 14,
4154 |     "start_time": "2022-02-10T07:30:58.927Z"
4155 |    },
4156 |    {
4157 |     "duration": 45,
4158 |     "start_time": "2022-02-10T07:30:58.943Z"
4159 |    },
4160 |    {
4161 |     "duration": 14,
4162 |     "start_time": "2022-02-10T07:30:58.991Z"
4163 |    },
4164 |    {
4165 |     "duration": 49,
4166 |     "start_time": "2022-02-10T07:30:59.008Z"
4167 |    },
4168 |    {
4169 |     "duration": 7,
4170 |     "start_time": "2022-02-10T07:30:59.060Z"
4171 |    },
4172 |    {
4173 |     "duration": 34,
4174 |     "start_time": "2022-02-10T07:30:59.073Z"
4175 |    },
4176 |    {
4177 |     "duration": 22,
4178 |     "start_time": "2022-02-10T07:30:59.123Z"
4179 |    },
4180 |    {
4181 |     "duration": 29,
4182 |     "start_time": "2022-02-10T07:30:59.147Z"
4183 |    },
4184 |    {
4185 |     "duration": 108,
4186 |     "start_time": "2022-02-10T07:30:59.178Z"
4187 |    },
4188 |    {
4189 |     "duration": 109,
4190 |     "start_time": "2022-02-10T07:30:59.289Z"
4191 |    },
4192 |    {
4193 |     "duration": 81,
4194 |     "start_time": "2022-02-10T07:30:59.401Z"
4195 |    },
4196 |    {
4197 |     "duration": 14,
4198 |     "start_time": "2022-02-10T07:30:59.485Z"
4199 |    },
4200 |    {
4201 |     "duration": 22,
4202 |     "start_time": "2022-02-10T07:30:59.502Z"
4203 |    },
4204 |    {
4205 |     "duration": 14,
4206 |     "start_time": "2022-02-10T07:30:59.526Z"
4207 |    },
4208 |    {
4209 |     "duration": 16,
4210 |     "start_time": "2022-02-10T07:30:59.542Z"
4211 |    },
4212 |    {
4213 |     "duration": 16,
4214 |     "start_time": "2022-02-10T07:30:59.561Z"
4215 |    },
4216 |    {
4217 |     "duration": 58,
4218 |     "start_time": "2022-02-10T07:30:59.581Z"
4219 |    },
4220 |    {
4221 |     "duration": 23,
4222 |     "start_time": "2022-02-10T07:30:59.642Z"
4223 |    },
4224 |    {
4225 |     "duration": 5,
4226 |     "start_time": "2022-02-10T07:30:59.667Z"
4227 |    },
4228 |    {
4229 |     "duration": 58,
4230 |     "start_time": "2022-02-10T07:30:59.674Z"
4231 |    },
4232 |    {
4233 |     "duration": 20,
4234 |     "start_time": "2022-02-10T07:30:59.735Z"
4235 |    },
4236 |    {
4237 |     "duration": 20,
4238 |     "start_time": "2022-02-10T07:30:59.759Z"
4239 |    },
4240 |    {
4241 |     "duration": 52,
4242 |     "start_time": "2022-02-10T07:30:59.781Z"
4243 |    },
4244 |    {
4245 |     "duration": 21,
4246 |     "start_time": "2022-02-10T07:30:59.837Z"
4247 |    },
4248 |    {
4249 |     "duration": 19,
4250 |     "start_time": "2022-02-10T07:30:59.861Z"
4251 |    },
4252 |    {
4253 |     "duration": 43,
4254 |     "start_time": "2022-02-10T07:30:59.882Z"
4255 |    },
4256 |    {
4257 |     "duration": 16,
4258 |     "start_time": "2022-02-10T07:30:59.927Z"
4259 |    },
4260 |    {
4261 |     "duration": 13,
4262 |     "start_time": "2022-02-10T07:30:59.945Z"
4263 |    },
4264 |    {
4265 |     "duration": 6,
4266 |     "start_time": "2022-02-10T07:30:59.961Z"
4267 |    },
4268 |    {
4269 |     "duration": 64,
4270 |     "start_time": "2022-02-10T07:30:59.970Z"
4271 |    },
4272 |    {
4273 |     "duration": 17,
4274 |     "start_time": "2022-02-10T07:31:00.036Z"
4275 |    },
4276 |    {
4277 |     "duration": 22,
4278 |     "start_time": "2022-02-10T07:31:00.056Z"
4279 |    },
4280 |    {
4281 |     "duration": 49,
4282 |     "start_time": "2022-02-10T07:31:00.080Z"
4283 |    },
4284 |    {
4285 |     "duration": 13,
4286 |     "start_time": "2022-02-10T07:31:00.132Z"
4287 |    },
4288 |    {
4289 |     "duration": 7,
4290 |     "start_time": "2022-02-10T07:31:00.147Z"
4291 |    },
4292 |    {
4293 |     "duration": 12,
4294 |     "start_time": "2022-02-10T07:31:00.156Z"
4295 |    },
4296 |    {
4297 |     "duration": 11,
4298 |     "start_time": "2022-02-10T07:31:00.170Z"
4299 |    },
4300 |    {
4301 |     "duration": 42,
4302 |     "start_time": "2022-02-10T07:31:00.183Z"
4303 |    }
4304 |   ],
4305 |   "colab": {
4306 |    "collapsed_sections": [
4307 |     "E0vqbgi9ay0H",
4308 |     "VUC88oWjTJw2"
4309 |    ],
4310 |    "name": "yandex_music_project_2021.2.ipynb",
4311 |    "provenance": []
4312 |   },
4313 |   "kernelspec": {
4314 |    "display_name": "Python 3 (ipykernel)",
4315 |    "language": "python",
4316 |    "name": "python3"
4317 |   },
4318 |   "language_info": {
4319 |    "codemirror_mode": {
4320 |     "name": "ipython",
4321 |     "version": 3
4322 |    },
4323 |    "file_extension": ".py",
4324 |    "mimetype": "text/x-python",
4325 |    "name": "python",
4326 |    "nbconvert_exporter": "python",
4327 |    "pygments_lexer": "ipython3",
4328 |    "version": "3.9.7"
4329 |   },
4330 |   "toc": {
4331 |    "base_numbering": 1,
4332 |    "nav_menu": {},
4333 |    "number_sections": true,
4334 |    "sideBar": true,
4335 |    "skip_h1_title": true,
4336 |    "title_cell": "Table of Contents",
4337 |    "title_sidebar": "Contents",
4338 |    "toc_cell": false,
4339 |    "toc_position": {
4340 |     "height": "calc(100% - 180px)",
4341 |     "left": "10px",
4342 |     "top": "150px",
4343 |     "width": "292px"
4344 |    },
4345 |    "toc_section_display": true,
4346 |    "toc_window_display": true
4347 |   }
4348 |  },
4349 |  "nbformat": 4,
4350 |  "nbformat_minor": 1
4351 | }
4352 | 


--------------------------------------------------------------------------------
/catering_market/README.md:
--------------------------------------------------------------------------------
 1 | # Исследование рынка заведений общественного питания Москвы
 2 | 
 3 | ## Задача
 4 | 
 5 | На основании открытых данных, необходимо проанализировать ситуацию на рынке общественного питания г. Москвы. Исследование поможет определиться с видом будущего заведения, количеством посадочных мест и районом расположения.
 6 | Основные тезисы исследования необходимо оформить в виде презентации для демонстрации группе инвесторов.
 7 | 
 8 | ## Данные
 9 | 
10 | Файл, содержащий информацию о заведениях общественного питания Москвы:   
11 | 
12 | — идентификатор объекта;
13 | 
14 | — название объекта общественного питания;
15 | 
16 | — сетевой ресторан;
17 | 
18 | — тип объекта общественного питания;
19 | 
20 | — адрес;
21 | 
22 | — количество посадочных мест.
23 | 
24 | ## Используемые библиотеки
25 | *pandas, numpy, matplotlib, seaborn, plotly.express*
26 | 


--------------------------------------------------------------------------------
/cell_phone_plan/README.md:
--------------------------------------------------------------------------------
 1 | # Определение перспективного тарифа для телеком-компании
 2 | 
 3 | ## Данные
 4 | 
 5 | Пять файлов, предоставленных заказчиком: 
 6 | - users (данные 500 пользователей заказчика: кто они, откуда, каким тарифом пользуются), 
 7 | - tariffs (данные о тарифных планах заказчика), 
 8 | - calls (информация о совершенных пользователями звонках в течение года), 
 9 | - internet (данные о пользовательском трафике за тот же срок),
10 | - messeges (информация об отправленных  в течение года SMS .
11 | 
12 | ## Задача
13 | 
14 | Необходимо провести анализ пользовательского поведения и определить, какой тариф (из двух существующих) прибыльнее с точки зрения компании. 
15 | Для ответа на этот вопрос будут проверены две гипотезы:
16 | 
17 | * средняя выручка пользователей тарифов «Ультра» и «Смарт» различаются;
18 | * средняя выручка пользователей из Москвы отличается от выручки пользователей из других регионов.
19 | 
20 | ## Используемые библиотеки
21 | 
22 | *pandas, scipy, numpy, matplotlib, seaborn*
23 | 


--------------------------------------------------------------------------------
/diplom.PNG:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/ovalentinka/Data_analyst/b9ea66230401fea992c0496972622129f871024c/diplom.PNG


--------------------------------------------------------------------------------
/games/README.md:
--------------------------------------------------------------------------------
 1 | # Анализ рынка продаж компьютерных игр
 2 | 
 3 | ## Задача
 4 | 
 5 | На основе данных из открытых источников выявить закономерности, определяющие успешность игр.
 6 | В ходе анализа, так же, необходимо проверить две гипотезы:
 7 | - средние пользовательские рейтинги платформ Xbox One и PC одинаковые;
 8 | - средние пользовательские рейтинги жанров Action (англ. "действие", экшен-игры) и Sports(англ. "спортивные соревнования") разные.
 9 | 
10 | ## Данные
11 | 
12 | Исторические данные о продажах игр, оценки пользователей и экспертов, жанры и платформы за 2016 год.
13 | - название игры;
14 | - игровая платформа;
15 | - год выпуска;
16 | - жанр игры;
17 | - продажи в Северной Америке (млн. проданных копий);
18 | - продажи в Европе (млн. проданных копий);
19 | - продажи в Японии (млн. проданных копий);
20 | - продажи в других странах (млн. проданных копий);
21 | - оценка критиков (максимум 100 баллов);
22 | - оценка пользователей (максимум 10 баллов);
23 | - возрастной рейтинг организации ESRB (англ. Entertainment Spftware Rating Board).
24 | 
25 | ## Используемые библиотеки
26 | 
27 | *pandas, scipy, numpy, matplotlib, seaborn*
28 | 


--------------------------------------------------------------------------------
/graduation_project/README.md:
--------------------------------------------------------------------------------
 1 | # Выпускной проект
 2 | 
 3 | На основе всех полученных данных в курсе выполнить буткемп-проект по одной из выбранной областей, 
 4 | провести
 5 | 
 6 | ## Часть I: [Банки — cегментация пользователей по потреблению продуктов](https://github.com/ovalentinka/Data_analyst/blob/3e4272acf1b22cbf9e49706375ad128ead6b89b8/graduation_project/yandex_ex1_bank_karpova_new.ipynb)
 7 | 
 8 | ### Цель исследования
 9 | Анализ и сегментация клиентов регионального банка по количеству потребляемых продуктов:
10 | 
11 | - провединие исследовательского анализа данных,   
12 | - сегментация пользователей на основе данных о количестве потребляемых продуктов,   
13 | - формулировка и проверка статистических гипотез.   
14 |    - гипотеза различия дохода между теми клиентами, которые пользуются двумя продуктами банка, и теми, которые пользуются одним;   
15 |    - гипотеза о различии в скоринговых баллах действующих и ушедших клиентов банка.
16 | 
17 | По результатам исследования необходимо подготовить:
18 | - презентацию,
19 | - дашборд (диаграмму, отражающая количество клиентов в зависимости от числа используемых продуктов)
20 | 
21 | ### Входные данные
22 | Датасет содержит данные о клиентах банка:   
23 | - идентификатор пользователя,   
24 | - баллы кредитного скоринга,   
25 | - город,   
26 | - пол,   
27 | - возраст,   
28 | - количество объектов в собственности,   
29 | - баланс на счёте,   
30 | - количество продуктов, которыми пользуется клиент,   
31 | - есть ли кредитная карта,   
32 | - активный клиент,   
33 | - заработная плата клиента,   
34 | - ушёл или нет. 
35 | 
36 | ### Используемые библиотеки
37 | 
38 | *pandas, numpy, matplotlib, seaborn, scikit learn, scipy*
39 | 
40 | 
41 | ## Часть II: [A/B-тестирование](https://github.com/ovalentinka/Data_analyst/blob/3e4272acf1b22cbf9e49706375ad128ead6b89b8/graduation_project/yandex_ex2_ab_karpova_new.ipynb)
42 | 
43 | ### Цель исследования
44 | Проведение оценки результатов A/B-теста после введения улучшенной программы рекомендаций для региона EU.
45 | 
46 | ### Входные данные 
47 | - датасет с действиями пользователей,
48 | - вспомогательные датасеты (данные о пользователях, календарь маркетинговых событий и пр.),
49 | - Техническое задание.
50 | 
51 | ### Используемые бибилотеки
52 | 
53 | *pandas, numpy, matplotlib, seaborn, math, datetime, scipy*
54 | 
55 | ## Часть III: [SQL](https://github.com/ovalentinka/Data_analyst/blob/3e4272acf1b22cbf9e49706375ad128ead6b89b8/graduation_project/yandex_ex3_SQL_karpova_new.ipynb)
56 | 
57 | Проанализировать базу данных. В ней — информация о книгах, издательствах, авторах, а также пользовательские
58 | обзоры книг. 
59 | 


--------------------------------------------------------------------------------
/graduation_project/yandex_ex1_bank_prez_ovkarpova.pdf:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/ovalentinka/Data_analyst/b9ea66230401fea992c0496972622129f871024c/graduation_project/yandex_ex1_bank_prez_ovkarpova.pdf


--------------------------------------------------------------------------------
/gym_churn/README.md:
--------------------------------------------------------------------------------
 1 | # Прогнозирование оттока клиентов сети фитнес-центров
 2 | 
 3 | ## Задача 
 4 | 
 5 | Провести анализ и подготовить план действий по удержанию клиентов:
 6 | 
 7 | - научиться прогнозировать вероятность оттока (на уровне следующего месяца) для каждого клиента;
 8 | 
 9 | - сформировать типичные портреты клиентов: выделить несколько наиболее ярких групп и охарактеризовать их основные свойства;
10 | 
11 | - проанализировать основные признаки, наиболее сильно влияющие на отток;
12 | 
13 | Сформулировать основные выводы и разработать рекомендации по повышению качества работы с клиентами:
14 | 1) выделить целевые группы клиентов;
15 | 2) предложить меры по снижению оттока;
16 | 3) определить другие особенности взаимодействия с клиентами.
17 | 
18 | ## Данные
19 | 
20 | Файл, который содержит данные на месяц до оттока и факт оттока на определённый месяц (файл gym_churn.csv)
21 | — пол;   
22 | — проживание или работа в районе, где находится фитнес-центр;   
23 | — сотрудник компании-партнёра клуба (сотрудничество с компаниями, чьи сотрудники могут получать скидки на абонемент — в таком случае фитнес-центр хранит информацию о работодателе клиента);   
24 | — факт первоначальной записи в рамках акции «приведи друга» (использовал промо-код от знакомого при оплате первого абонемента);   
25 | — наличие контактного телефона;   
26 | — возраст;   
27 | — время с момента первого обращения в фитнес-центр (в месяцах).   
28 | — длительность текущего действующего абонемента (месяц, 6 месяцев, год);   
29 | — срок до окончания текущего действующего абонемента (в месяцах);   
30 | — факт посещения групповых занятий;   
31 | — средняя частота посещений в неделю за все время с начала действия абонемента;   
32 | — средняя частота посещений в неделю за предыдущий месяц;   
33 | — суммарная выручка от других услуг фитнес-центра: кафе, спорттовары, косметический и массажный салон;   
34 | — факт оттока в текущем месяце.   
35 | 
36 | ## Используемые бибилотеки
37 | 
38 | *pandas, plotly, scikit learn, scipy, matplotlib*
39 | 


--------------------------------------------------------------------------------
/hypothesis_ab/README.md:
--------------------------------------------------------------------------------
 1 | # Принятие решений в бизнесе
 2 | 
 3 | ## Задача
 4 | 
 5 | 1. Необходимо приоритизировать гипотезы из списка гипотез, предоставленных отделом Маркетинга;
 6 | 2. Провести анализ результатов проведенного А/В-тестирования и аргументировать решение по результатам теста.
 7 | Варианты решений:
 8 | - остановить тест, зафиксировать победу одной из групп.
 9 | - остановить тест, зафиксировать отсутствие различий между группами.
10 | - продолжить тест.
11 | 
12 | ## Данные
13 | Файлы, содержащие:
14 | - список гипотез и информация о них, 
15 | - информация о заказах пользователей в интернет-магазине,
16 | - информация о посещениях пользователями интернет-магазина.
17 | 
18 | ## Используемые библиотеки
19 | *pandas, numpy, matplotlib, seaborn, math, datetime, scipy*
20 | 


--------------------------------------------------------------------------------
/loss_analysis/README.md:
--------------------------------------------------------------------------------
 1 | # Анализ бизнес-показателей развлекательного приложения Procrastinate Pro+
 2 | 
 3 | ## Задача
 4 | 
 5 | На основе данных, предоставленных компанией, необходимо провести анализ и ответить на вопросы:
 6 | - откуда приходят пользователи и какими устройствами они пользуются,
 7 | - сколько стоит привлечение пользователей из различных рекламных каналов;
 8 | - сколько денег приносит каждый клиент,
 9 | - когда расходы на привлечение клиента окупаются,
10 | - какие факторы мешают привлечению клиентов.
11 | 
12 | ## Данные
13 | 
14 | Данные о пользователях (3 файла), привлечённых с 1 мая по 27 октября 2019 года:
15 | 
16 | - лог сервера с данными об их посещениях (файл visits_info_short.csv)
17 | - выгрузка их покупок за этот период (файл orders_info_short.csv)
18 | - рекламные расходы (файл costs_info_short.csv)
19 | 
20 | ## Используемые библиотеки
21 | 
22 | *pandas, numpy, matplotlib, seaborn, datetime*
23 | 


--------------------------------------------------------------------------------
/real_estate_market/README.md:
--------------------------------------------------------------------------------
 1 | # Исследование объявлений о продаже квартир
 2 | 
 3 | ## Данные
 4 | 
 5 | Архив объявлений о продаже квартир в Санкт-Петербурге и соседних населённых пунктах за несколько лет:
 6 | - расстояние до ближайшего аэропорта в метрах (м)
 7 | - число балконов
 8 | - высота потолков (м)
 9 | - расстояние до центра города (м) 
10 | - сколько дней было размещено объявление (от публикации до снятия)
11 | - дата публикации
12 | - этаж
13 | - всего этажей в доме
14 | - апартаменты (булев тип)
15 | - площадь кухни в квадратных метрах (м²) last_price — цена на момент снятия с публикации
16 | - жилая площадь в квадратных метрах (м²)
17 | - название населённого пункта
18 | - свободная планировка (булев тип)
19 | - число парков в радиусе 3 км
20 | - расстояние до ближайшего парка (м)
21 | - число водоёмов в радиусе 3 км
22 | - расстояние до ближайшего водоёма (м)
23 | - число комнат
24 | - квартира-студия (булев тип)
25 | - площадь квартиры в квадратных метрах (м²)
26 | - число фотографий квартиры в объявлении
27 | 
28 | ## Задача
29 | 
30 | Используя данные сервиса Яндекс.Недвижимость необходимо выявить основные параметры и факторы, влияющие на рыночную цену квартиры. 
31 | 
32 | ### Используемые библиотеки
33 | 
34 | *pandas, numpy, matplotlib, seaborn*
35 | 


--------------------------------------------------------------------------------
/sql/1_sql_tasks.sql:
--------------------------------------------------------------------------------
  1 | ---
  2 | SELECT COUNT(status)
  3 | FROM company
  4 | GROUP BY status 
  5 | HAVING status LIKE 'closed';
  6 | 
  7 | ---
  8 | SELECT funding_total
  9 | FROM company
 10 | WHERE category_code LIKE 'news' 
 11 |    AND country_code LIKE 'USA'
 12 | ORDER BY funding_total DESC;
 13 | 
 14 | ---
 15 | SELECT SUM(price_amount)
 16 | FROM acquisition
 17 | WHERE term_code LIKE 'cash'
 18 |    AND EXTRACT(YEAR from acquired_at) BETWEEN 2011 AND 2013
 19 | GROUP BY term_code;
 20 | 
 21 | ---
 22 | SELECT first_name,
 23 |        last_name,
 24 |        twitter_username
 25 | FROM people
 26 | WHERE twitter_username LIKE 'Silver%';
 27 | 
 28 | ---
 29 | SELECT *
 30 | FROM people
 31 | WHERE twitter_username LIKE '%money%'
 32 |    AND last_name LIKE 'K%';
 33 | 
 34 | ---
 35 | SELECT country_code,
 36 |        SUM(funding_total)
 37 | FROM company
 38 | GROUP BY country_code
 39 | ORDER BY SUM(funding_total) DESC;
 40 | 
 41 | ---
 42 | SELECT  funded_at,
 43 |         MIN(raised_amount),
 44 |         MAX(raised_amount)
 45 | FROM funding_round
 46 | GROUP BY  funded_at
 47 | HAVING MIN(raised_amount) NOT IN (0, MAX(raised_amount));
 48 | 
 49 | ---
 50 | SELECT *,
 51 |    CASE 
 52 |        WHEN invested_companies >= 100 THEN 'high_activity'
 53 |        WHEN invested_companies BETWEEN 20 AND 99 THEN 'middle_activity'
 54 |        ELSE 'low_activity'
 55 |    END    
 56 | FROM fund;
 57 | 
 58 | ---
 59 | SELECT CASE
 60 |            WHEN invested_companies>=100 THEN 'high_activity'
 61 |            WHEN invested_companies>=20 THEN 'middle_activity'
 62 |            ELSE 'low_activity'
 63 |        END AS activity, 
 64 |        ROUND(AVG(investment_rounds))
 65 | FROM fund
 66 | GROUP BY activity
 67 | ORDER BY ROUND(AVG(investment_rounds));
 68 | 
 69 | ---
 70 | SELECT country_code,
 71 |        MIN(invested_companies),
 72 |        MAX(invested_companies),
 73 |        AVG(invested_companies)
 74 | FROM (SELECT *
 75 |       FROM fund
 76 |       WHERE EXTRACT(YEAR FROM founded_at) BETWEEN 2010 AND 2012) AS f
 77 | GROUP BY country_code
 78 | HAVING MIN(invested_companies) > 0
 79 | ORDER BY AVG(invested_companies) DESC
 80 | LIMIT 10;
 81 | 
 82 | ---
 83 | SELECT p.first_name,
 84 |        p.last_name,
 85 |        e.instituition
 86 | FROM people AS p
 87 | LEFT JOIN education AS e ON p.id = e.person_id;
 88 | 
 89 | ---
 90 | SELECT c.name, 
 91 |        COUNT(DISTINCT tab2.instituition)
 92 | FROM company AS c
 93 | LEFT JOIN 
 94 |          (SELECT tab1.instituition,
 95 |                  p.company_id
 96 |           FROM       
 97 |                (SELECT person_id,
 98 |                        instituition 
 99 |                 FROM education 
100 |                 WHERE instituition  IS NOT NULL
101 |                ) AS tab1
102 |           INNER JOIN  people AS p ON p.id = tab1.person_id
103 |          ) AS tab2 ON tab2.company_id = c.id
104 | GROUP BY c.name
105 | ORDER BY COUNT(DISTINCT tab2.instituition) DESC
106 | LIMIT 5;
107 | 
108 | ---
109 | SELECT DISTINCT name
110 | FROM company
111 | WHERE status LIKE 'closed'
112 |    AND id IN (SELECT company_id
113 |               FROM funding_round
114 |               WHERE is_first_round = 1 
115 |                  AND is_last_round = 1);
116 | 
117 | ---
118 | SELECT DISTINCT p.id
119 | FROM company AS c
120 | INNER JOIN people AS p ON c.id = p.company_id
121 | WHERE c.status LIKE 'closed'
122 |    AND c.id IN (SELECT company_id
123 |                 FROM funding_round
124 |                 WHERE is_first_round = 1
125 |                    AND is_last_round = 1);
126 | 
127 | ---
128 | SELECT DISTINCT p.id,
129 |                 e.instituition
130 | FROM company AS c
131 | INNER JOIN people AS p ON c.id = p.company_id
132 | LEFT JOIN education AS e ON p.id = e.person_id
133 | WHERE c.status LIKE 'closed'
134 |    AND c.id IN (SELECT company_id
135 |                 FROM funding_round
136 |                 WHERE is_first_round = 1
137 |                    AND is_last_round = 1)
138 |    AND  e.instituition IS NOT NULL;
139 | 
140 | 
141 | ---
142 | SELECT DISTINCT p.id,
143 |                 COUNT(e.instituition)
144 | FROM company AS c
145 | INNER JOIN people AS p ON c.id = p.company_id
146 | LEFT JOIN education AS e ON p.id = e.person_id
147 | WHERE c.status LIKE 'closed'
148 |   AND c.id IN (SELECT company_id
149 |                FROM funding_round
150 |                WHERE is_first_round = 1
151 |                   AND is_last_round = 1)
152 |   AND  e.instituition IS NOT NULL
153 | GROUP BY p.id;
154 | 
155 | ---
156 | SELECT AVG(tab1.count_in)
157 | FROM (SELECT DISTINCT p.id,
158 |              COUNT(e.instituition) AS count_in
159 |       FROM company AS c
160 |       INNER JOIN people AS p ON c.id = p.company_id
161 |       LEFT JOIN education AS e ON p.id = e.person_id
162 |       WHERE c.status LIKE 'closed'
163 |         AND c.id IN (SELECT company_id
164 |                      FROM funding_round
165 |                      WHERE is_first_round = 1
166 |                         AND is_last_round = 1)
167 |         AND  e.instituition IS NOT NULL
168 |       GROUP BY p.id) AS tab1;
169 | 
170 | ---
171 | SELECT AVG(tab1.count_in)
172 | FROM (SELECT DISTINCT p.id,
173 |              COUNT(e.instituition) AS count_in
174 |       FROM company AS c
175 |       INNER JOIN people AS p ON c.id = p.company_id
176 |       LEFT JOIN education AS e ON p.id = e.person_id
177 |       WHERE c.name LIKE 'Facebook'
178 |          AND  e.instituition IS NOT NULL
179 |       GROUP BY p.id
180 |       ) AS tab1;
181 | 
182 | ---
183 | SELECT f.name AS name_of_fund, 
184 |        C.name AS name_of_company, 
185 |        fr.raised_amount AS amount
186 | FROM investment AS i
187 | JOIN company AS c ON i.company_id=c.id
188 | JOIN fund AS f ON i.fund_id=f.id
189 | JOIN funding_round AS fr ON i.funding_round_id = fr.id
190 | WHERE EXTRACT(YEAR FROM fr.funded_at) BETWEEN 2012 AND 2013
191 |    AND c.milestones > 6;
192 | 
193 | ---
194 | SELECT company.name AS acquiring_company,
195 |        tab2.price_amount,
196 |        tab2.acquired_company,
197 |        tab2.funding_total,
198 |        ROUND(tab2.price_amount / tab2.funding_total)
199 | FROM
200 | (
201 |     SELECT c.name AS acquired_company,
202 |            c.funding_total,
203 |            tab1.acquiring_company_id,
204 |            tab1.price_amount
205 |     FROM company AS c
206 |     RIGHT JOIN (
207 |                 SELECT acquiring_company_id,
208 |                        acquired_company_id,
209 |                        price_amount
210 |                 FROM acquisition
211 |                 WHERE price_amount > 0
212 |                ) AS tab1 ON c.id = tab1.acquired_company_id
213 |  ) AS tab2 LEFT JOIN company ON company.id  = tab2.acquiring_company_id
214 | WHERE tab2.funding_total > 0
215 | ORDER BY  tab2.price_amount DESC, tab2.acquired_company
216 | LIMIT 10;
217 | 
218 | ---
219 | SELECT c.name,
220 |        tab1.month
221 | FROM company AS c
222 | RIGHT JOIN (
223 |              SELECT company_id,
224 |              EXTRACT(MONTH FROM funded_at) AS month
225 |              FROM funding_round
226 |              WHERE EXTRACT(YEAR FROM funded_at) BETWEEN 2010 AND 2013
227 |             ) AS tab1 ON c.id = tab1.company_id
228 | WHERE c.category_code LIKE 'social';
229 | 
230 | ---
231 | WITH
232 | -- выбираем месяц инвестиционных раундов в 2010-2013 гг
233 | tab1 AS (SELECT EXTRACT(MONTH FROM funded_at) AS month,
234 |                 id AS funding_round_id
235 |                 FROM funding_round
236 |          WHERE EXTRACT(YEAR FROM funded_at) BETWEEN 2010 AND 2013
237 |          ),
238 | 
239 | -- считаем кол-во купленных и общую сумму по сделкам за 2010-2013 гг в разрезе месяца
240 | tab2 AS (SELECT EXTRACT(MONTH FROM acquired_at) AS month,
241 |                 COUNT(acquired_company_id) AS count_acquired,
242 |                 SUM(price_amount) AS total_amount
243 |          FROM acquisition
244 |          WHERE EXTRACT(YEAR FROM acquired_at) BETWEEN 2010 AND 2013
245 |          GROUP BY EXTRACT(MONTH FROM acquired_at)
246 |         ),
247 | 
248 | -- ищем фонды из США
249 | tab3 AS (SELECT i.funding_round_id,
250 |                 f.name
251 |         FROM investment AS i
252 |         JOIN fund AS f ON f.id = i.fund_id
253 |         WHERE fund_id IN (SELECT id
254 |                           FROM fund
255 |                           WHERE country_code LIKE 'USA')
256 |         ),
257 | 
258 | tab4 AS (SELECT month,
259 |                 COUNT(DISTINCT name) AS count_USA
260 |          FROM tab1 
261 |          LEFT JOIN tab3 ON tab1.funding_round_id = tab3.funding_round_id
262 |          GROUP BY month)
263 |          
264 | SELECT tab4.month,
265 |        tab4.count_USA,
266 |        tab2.count_acquired,
267 |        tab2.total_amount
268 | FROM tab4 
269 | LEFT JOIN tab2 ON tab4.month = tab2.month;
270 | 
271 | 
272 | ---
273 | WITH
274 | 
275 | total_11 AS (SELECT AVG(funding_total) AS total_2011,
276 |                       country_code
277 |                FROM company
278 |                GROUP BY country_code,
279 |                EXTRACT(YEAR FROM founded_at)
280 |                HAVING EXTRACT(YEAR FROM founded_at) = 2011),
281 |                
282 | total_12 AS (SELECT AVG(funding_total) AS total_2012,
283 |                       country_code
284 |                FROM company
285 |                GROUP BY country_code,
286 |                EXTRACT(YEAR FROM founded_at)
287 |                HAVING EXTRACT(YEAR FROM founded_at) = 2012),
288 | 
289 | total_13 AS (SELECT AVG(funding_total) AS total_2013,
290 |                       country_code
291 |                FROM company
292 |                GROUP BY country_code,
293 |                EXTRACT(YEAR FROM founded_at)
294 |                HAVING EXTRACT(YEAR FROM founded_at) = 2013)
295 | 
296 | SELECT total_11.country_code,
297 |        total_11.total_2011,
298 |        total_12.total_2012,
299 |        total_13.total_2013
300 | FROM total_11 
301 | INNER JOIN total_12 ON total_11.country_code = total_12.country_code
302 | INNER JOIN total_13 ON total_11.country_code = total_13.country_code
303 | ORDER BY total_11.total_2011 DESC;
304 | 


--------------------------------------------------------------------------------
/sql/README.md:
--------------------------------------------------------------------------------
 1 | ## База данных
 2 | ![bd](https://github.com/ovalentinka/Data_analyst/blob/02637d04843ceffe28d0538b4c287128a376f325/sql_border2880_1628581406.png)
 3 | 
 4 | * acquisition (cодержит информацию о покупках одних компаний другими);
 5 | * company (cодержит информацию о компаниях-стартапах);
 6 | * education (хранит информацию об уровне образования сотрудников компаний);.
 7 | * fund (хранит информацию о венчурных фондах);
 8 | * funding_round (содержит информацию о раундах инвестиций);
 9 | * investment (cодержит информацию об инвестициях венчурных фондов в компании-стартапы);
10 | * people (cодержит информацию о сотрудниках компаний-стартапов).
11 | 


--------------------------------------------------------------------------------
/sql_advanced/2_sql_tasks.sql:
--------------------------------------------------------------------------------
  1 | ---
  2 | SELECT COUNT(id)
  3 | FROM stackoverflow.posts
  4 | WHERE post_type_id=1 
  5 |    AND (score>300 OR favorites_count >= 100)
  6 | GROUP BY post_type_id;
  7 | 
  8 | ---
  9 | SELECT ROUND(AVG(t.count),0)
 10 | FROM (
 11 |       SELECT COUNT(id),
 12 |              creation_date::date
 13 |       FROM stackoverflow.posts
 14 |       WHERE post_type_id = 1
 15 |       GROUP BY creation_date::date
 16 |       HAVING creation_date::date BETWEEN '2008-11-01' AND '2008-11-18') AS t;
 17 | 
 18 | ---
 19 | SELECT COUNT(DISTINCT u.id)
 20 | FROM stackoverflow.badges AS b
 21 | JOIN stackoverflow.users AS u ON b.user_id=u.id
 22 | WHERE b.creation_date::date = u.creation_date::date;
 23 | 
 24 | ---
 25 | SELECT COUNT(t.id)
 26 | FROM (
 27 |      SELECT p.id
 28 |      FROM stackoverflow.posts AS p
 29 |      JOIN stackoverflow.votes AS v ON p.id = v.post_id
 30 |      JOIN stackoverflow.users AS u ON p.user_id = u.id
 31 |      WHERE u.display_name LIKE 'Joel Coehoorn'
 32 |      GROUP BY p.id
 33 |      HAVING COUNT(v.id)>=1) as t;
 34 | 
 35 | ---
 36 | SELECT *,
 37 |        ROW_NUMBER() OVER(ORDER BY id DESC) AS rank
 38 | FROM stackoverflow.vote_types
 39 | ORDER BY id;
 40 | 
 41 | ---
 42 | SELECT *
 43 | FROM (
 44 |       SELECT v.user_id,
 45 |              COUNT(vt.id) AS cnt
 46 |       FROM stackoverflow.votes AS v
 47 |       JOIN stackoverflow.vote_types as vt ON vt.id = v.vote_type_id
 48 |       WHERE vt.name LIKE 'Close'
 49 |       GROUP BY v.user_id
 50 |       ORDER BY cnt DESC LIMIT 10
 51 |     ) AS t
 52 | ORDER BY t.cnt DESC, t.user_id DESC;
 53 | 
 54 | ---
 55 | SELECT *,
 56 |       DENSE_RANK() OVER (ORDER BY t.cnt DESC) AS n
 57 | FROM (SELECT COUNT(id) AS  cnt,
 58 |              user_id
 59 |       FROM stackoverflow.badges
 60 |       WHERE creation_date::date BETWEEN '2008-11-15' AND '2008-12-15' 
 61 |       GROUP BY 2
 62 |       ORDER BY cnt DESC, user_id LIMIT 10) as t;
 63 | 
 64 | ---
 65 | WITH t AS (
 66 | SELECT ROUND(AVG(score)) AS avg_score,
 67 |        user_id
 68 | FROM stackoverflow.posts
 69 | WHERE title IS NOT NULL 
 70 |    AND score <> 0
 71 | GROUP BY user_id
 72 | )
 73 | 
 74 | SELECT p.title,
 75 |        t.user_id,
 76 |        p.score,
 77 |        t.avg_score
 78 | FROM t 
 79 | JOIN stackoverflow.posts AS p ON t.user_id=p.user_id
 80 | WHERE p.title IS NOT NULL 
 81 |    AND p.score <> 0;   
 82 | 
 83 | ---
 84 | SELECT title
 85 | FROM stackoverflow.posts
 86 | WHERE user_id IN (
 87 |                   SELECT user_id
 88 |                   FROM stackoverflow.badges
 89 |                   GROUP BY user_id
 90 |                   HAVING COUNT(id) >1000
 91 |                   )
 92 |   AND title IS NOT NULL;
 93 | 
 94 | ---
 95 | SELECT id,
 96 |        views,
 97 |        CASE
 98 |           WHEN views>=350 THEN 1
 99 |           WHEN views<100 THEN 3
100 |           ELSE 2
101 |        END AS group
102 | FROM stackoverflow.users
103 | WHERE location LIKE '%United States%'
104 |    AND views > 0;
105 | 
106 | ---
107 | WITH tab AS
108 | (SELECT t.id,
109 |         t.views,
110 |         t.group,
111 |         MAX(t.views) OVER (PARTITION BY t.group) AS max	
112 |  FROM (SELECT id,
113 |               views,
114 |               CASE
115 |                  WHEN views>=350 THEN 1
116 |                  WHEN views<100 THEN 3
117 |                  ELSE 2
118 |               END AS group
119 |        FROM stackoverflow.users
120 |        WHERE location LIKE '%United States%'
121 |           AND views > 0
122 |           ) as t
123 |   )
124 |   
125 | SELECT tab.id, 
126 |        tab.views,  
127 |        tab.group
128 | FROM tab
129 | WHERE tab.views = tab.max
130 | ORDER BY tab.views DESC, tab.id;
131 | 
132 | ---
133 | SELECT *,
134 |        SUM(t.cnt_id) OVER (ORDER BY t.days) as nn
135 | FROM (
136 |       SELECT EXTRACT(DAY FROM creation_date::date) AS days,
137 |              COUNT(id) AS cnt_id
138 |       FROM stackoverflow.users
139 |       WHERE creation_date::date BETWEEN '2008-11-01' AND '2008-11-30'
140 |       GROUP BY EXTRACT(DAY FROM creation_date::date)
141 |       ) as t;
142 | ---
143 | WITH p AS
144 | (SELECT DISTINCT user_id,
145 |         MIN(creation_date) OVER (PARTITION BY user_id) AS min_dt					
146 |  FROM stackoverflow.posts
147 | )
148 | 
149 | SELECT p.user_id,
150 |        (p.min_dt - u.creation_date) AS diff
151 | FROM stackoverflow.users AS u 
152 | JOIN p ON  u.id = p.user_id;
153 | 
154 | ---
155 | SELECT SUM(views_count),
156 |        DATE_TRUNC('month', creation_date)::date AS mnth
157 | FROM stackoverflow.posts
158 | GROUP BY DATE_TRUNC('month', creation_date)::date
159 | ORDER BY SUM(views_count) DESC;
160 | 
161 | ---
162 | SELECT u.display_name,
163 |        COUNT(DISTINCT p.user_id)
164 | FROM stackoverflow.posts AS p
165 | JOIN stackoverflow.users AS u ON p.user_id = u.id
166 | JOIN stackoverflow.post_types AS pt ON pt.id = p.post_type_id
167 | WHERE p.creation_date::date BETWEEN u.creation_date::date AND (u.creation_date::date + INTERVAL '1 month')
168 |    AND pt.type LIKE '%Answer%'
169 | GROUP BY u.display_name
170 | HAVING COUNT(p.id) > 100
171 | ORDER BY u.display_name;
172 | 
173 | ---
174 | WITH t AS (
175 |            SELECT u.id
176 |            FROM stackoverflow.posts AS p
177 |            JOIN stackoverflow.users AS u ON p.user_id = u.id
178 |            WHERE DATE_TRUNC('month', u.creation_date)::date = '2008-09-01'
179 |               AND DATE_TRUNC('month', p.creation_date)::date = '2008-12-01'
180 |            GROUP BY u.id
181 |            HAVING COUNT(p.id)>0
182 |           )
183 | 
184 | SELECT COUNT(p.id),
185 |        DATE_TRUNC('month', p.creation_date)::date      
186 | FROM stackoverflow.posts AS p
187 | WHERE p.user_id IN (SELECT * FROM t)
188 |    AND DATE_TRUNC('year', p.creation_date)::date = '2008-01-01'
189 | GROUP BY DATE_TRUNC('month', p.creation_date)::date
190 | ORDER BY DATE_TRUNC('month', p.creation_date)::date DESC;
191 | 
192 | ---
193 | SELECT user_id,
194 |        creation_date,
195 |        views_count,
196 |        SUM(views_count) OVER (PARTITION BY user_id ORDER BY creation_date)						
197 | FROM stackoverflow.posts;
198 | 
199 | ---
200 | SELECT ROUND(AVG(t.cnt))
201 | FROM (
202 |       SELECT user_id,
203 |              COUNT(DISTINCT creation_date::date)  AS cnt
204 |       FROM stackoverflow.posts
205 |       WHERE creation_date::date BETWEEN '2008-12-01' AND '2008-12-07' 
206 |       GROUP BY user_id
207 | ) AS t
208 | 
209 | ---
210 | WITH t AS (
211 | SELECT EXTRACT(MONTH from creation_date::date) AS month,
212 |        COUNT(DISTINCT id)    
213 | FROM stackoverflow.posts
214 | WHERE creation_date::date BETWEEN '2008-09-01' AND '2008-12-31'
215 | GROUP BY month
216 | )
217 | 
218 | SELECT *,
219 |        ROUND(((count::numeric / LAG(count) OVER (ORDER BY month)) - 1) * 100,2) AS user_growth
220 | FROM t;
221 | 
222 | ---
223 | WITH t AS (
224 | SELECT user_id,
225 |        COUNT(DISTINCT id) AS cnt
226 | FROM stackoverflow.posts
227 | GROUP BY user_id
228 | ORDER BY cnt DESC
229 | LIMIT 1),
230 | 
231 |      t1 AS (
232 | SELECT p.user_id,
233 |        p.creation_date,
234 |        extract('week' from p.creation_date) AS week_number
235 | FROM stackoverflow.posts AS p
236 | JOIN t ON t.user_id = p.user_id
237 | WHERE DATE_TRUNC('month', p.creation_date)::date = '2008-10-01'
238 |            )
239 | 
240 | SELECT DISTINCT week_number::numeric,
241 |        MAX(creation_date) OVER (PARTITION BY week_number)
242 | FROM t1
243 | ORDER BY week_number;
244 | 


--------------------------------------------------------------------------------
/sql_advanced/README.md:
--------------------------------------------------------------------------------
 1 | # База данных
 2 | ![db](https://github.com/ovalentinka/Data_analyst/blob/ae55496bf70dfb61ab269f693ec4c6e9e6759aa0/sql_border2880_1628581407.png)
 3 | 
 4 | - badges (хранит информацию о значках, которые присуждаются за разные достижения),
 5 | - post_types (содержит информацию о типе постов),
 6 | - posts (содержит информацию о постах),
 7 | - users (содержит информацию о пользователях),
 8 | - vote_types (содержит информацию о метках, которые пользователи ставят посту),
 9 | - votes (cодержит информацию о голосах за посты).
10 | 
11 | 


--------------------------------------------------------------------------------
/sql_border2880_1628581406.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/ovalentinka/Data_analyst/b9ea66230401fea992c0496972622129f871024c/sql_border2880_1628581406.png


--------------------------------------------------------------------------------
/sql_border2880_1628581407.png:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/ovalentinka/Data_analyst/b9ea66230401fea992c0496972622129f871024c/sql_border2880_1628581407.png


--------------------------------------------------------------------------------
/user_behavior/README.md:
--------------------------------------------------------------------------------
 1 | 
 2 | # Анализ поведения пользователей мобильного приложения
 3 | 
 4 | ## Задача 
 5 | Необходимо проанализировать поведение покупателей на основании логов пользователей и результатов А/А/В - эксперимента (изменение шрифта во всем приложении).
 6 | 
 7 | ## Данные
 8 | 
 9 | Логи пользователей мабильного приложения (файл logs_exp.csv)
10 | - название события;
11 | - уникальный идентификатор пользователя;
12 | -  время события;
13 | -  номер эксперимента: 246 и 247 — контрольные группы, а 248 — экспериментальная.
14 | 
15 | ## Используемые библиотеки
16 | *pandas, numpy, matplotlib, seaborn, scipy, plotly*
17 | 


--------------------------------------------------------------------------------