Titanic2

import numpy as np
import pandas as pd
import seaborn as sns

titanic_data = sns.load_dataset("titanic")
print(titanic_data)
print()

#Часть 1
print("PART1\n")
zero_cnt = np.sum(titanic_data.isnull(), axis = 0)
print("zero_cnt:\n", zero_cnt)
print()

#Часть 2
print("\nPART2\n")
#Удалите все столбцы, количество пропусков в которых превышает половину количества строк в таблице.
half_rows = titanic_data.shape[0] // 2
columns_to_drop = titanic_data.columns[zero_cnt > half_rows]
titanic_data = titanic_data.drop(columns=columns_to_drop)
print('columns_to_drop:', columns_to_drop, "- удаляем эти столбцы")
print()
#NB!Теперь работаем с titanic_cleaned

#После того, как вы удалите все столбцы, нарушающие описанное условие, удалите все строки, количество пропусков в которых превышает половину количества столбцов.
row_zero_cnt = np.sum(titanic_data.isnull(), axis = 1)
half_rows = titanic_data.shape[1] // 2
"""
print("shape:", titanic_cleaned.shape)
print(type(row_zero_cnt))
print(row_zero_cnt)"""
print("half_rows:",half_rows)
print("Максимальное пропусков в строке:", row_zero_cnt.max())
to_be_left = row_zero_cnt <= half_rows
#print(type(to_be_left))
#(to_be_left)
titanic_data =  titanic_data[to_be_left]
#print(titanic.shape)
print("Вывод: мы не удалили ни одной строки")
#NB!Теперь работаем с titanic

#Часть 3
print("\nPART3\n")
man_mask = (titanic_data['who'] == 'man')
#print("man_mask\n",male_mask)
man_age_median = np.median(titanic_data.loc[man_mask, 'age'].dropna()).round()
#print("man_age_median:", man_age_median)
#print()
titanic_data.loc[(titanic_data['who'] == 'man') & (titanic_data['age'].isna()), 'age'] = man_age_median

woman_mask = (titanic_data['who'] == 'woman')
woman_age_median = np.median(titanic_data.loc[woman_mask, 'age'].dropna()).round()
#print("woman_age_median:", woman_age_median)
#print()
titanic_data.loc[(titanic_data['who'] == 'woman') & (titanic_data['age'].isna()), 'age'] = woman_age_median

child_mask = (titanic_data['who'] == 'child')
child_age_median = np.median(titanic_data.loc[child_mask, 'age'].dropna()).round()
#print("child_age_median:", child_age_median)
#print()
titanic_data.loc[(titanic_data['who'] == 'child') & (titanic_data['age'].isna()), 'age'] = child_age_median

#Часть4
print("\nPART4\n")
null_counts = np.sum(titanic_data.isna(), axis=1)
#print("Распределение пропусков по строкам:")
#print(null_counts.value_counts().sort_index())
#print(null_counts)
mask = null_counts <= 1
#print("mask:", type(mask))
titanic_data = titanic_data[mask]


#Часть5
print("\nPART5\n")
city_cnt = titanic_data["embark_town"].value_counts()
city = city_cnt.idxmax()
print(city)

#Часть 6
print("\nPART6\n")
#percent_of_surv1 = (titanic_data["survived"].value_counts(normalize=True))[1]
#print(round(percent_of_surv1, 2))
surv_percent = np.round(titanic_data["survived"].value_counts(normalize=True)[1] * 100, 2)
print(surv_percent)

#Часть7
print("\nPART7\n")
surv_cnt = titanic_data[titanic_data["survived"]==1].groupby("embarked")["survived"].count()
print(surv_cnt)

#Часть 8
print("\nPART8\n")
surv_class_cnt = titanic_data[titanic_data["survived"]==1].groupby("class", observed=True)["survived"].count()
print(surv_class_cnt)

#Часть 9
print("\nPART9\n")
surv_rich_percent = 100 * titanic_data.loc[titanic_data["fare"] >= 100, "survived"].value_counts(normalize=True)[1]
print(np.round(surv_rich_percent, 2))

#Часть 10
print("\nPART10\n")
child_alone = titanic_data.loc[(titanic_data["who"] == "child") & (titanic_data["alone"] == True)]
print(child_alone.shape)
print(child_alone)