mirror of
https://github.com/freeCodeCamp/freeCodeCamp.git
synced 2026-03-07 09:01:13 -05:00
chore(i18n,learn): processed translations (#48855)
This commit is contained in:
camperbot
@@ -10,16 +10,16 @@ dashedName: demographic-data-analyzer
|
||||
|
||||
Du wirst <a href="https://replit.com/github/freeCodeCamp/boilerplate-demographic-data-analyzer" target="_blank" rel="noopener noreferrer nofollow">an diesem Projekt mit unserem Replit-Startercode arbeiten</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
- Beginne, indem du das Projekt in Replit importierst.
|
||||
- Daraufhin wird ein `.replit`-Fenster angezeigt.
|
||||
- Wähle `Use run command` und klicke auf die `Done`-Schaltfläche.
|
||||
|
||||
|
||||
Wir sind noch dabei, den interaktiven Teil des Python-Kurses zu entwickeln. Hier sind erstmal einige Videos auf dem freeCodeCamp.org YouTube-Kanal, die dir alles beibringen, was du wissen musst, um dieses Projekt abzuschließen:
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Python for Everybody Video Course</a> (14 hours)
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Videokurs: Python für jedermann</a> (14 Stunden)
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">How to Analyze Data with Python Pandas</a> (10 hours)
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">Wie man Daten mit Python-Pandas analysiert </a> (10 Stunden)
|
||||
|
||||
# --instructions--
|
||||
|
||||
@@ -37,15 +37,15 @@ Bei dieser Aufgabe musst du demographische Daten mit Hilfe von Pandas analysiere
|
||||
|
||||
Du musst Pandas verwenden, um die folgenden Fragen zu beantworten:
|
||||
|
||||
- How many people of each race are represented in this dataset? This should be a Pandas series with race names as the index labels. (`race` column)
|
||||
- What is the average age of men?
|
||||
- What is the percentage of people who have a Bachelor's degree?
|
||||
- What percentage of people with advanced education (`Bachelors`, `Masters`, or `Doctorate`) make more than 50K?
|
||||
- What percentage of people without advanced education make more than 50K?
|
||||
- What is the minimum number of hours a person works per week?
|
||||
- What percentage of the people who work the minimum number of hours per week have a salary of more than 50K?
|
||||
- What country has the highest percentage of people that earn >50K and what is that percentage?
|
||||
- Identify the most popular occupation for those who earn >50K in India.
|
||||
- Wie viele Personen jeder ethnischen Gruppe sind in diesem Datensatz vertreten? Dies sollte eine Pandas-Reihe mit den Namen der verschiedenen Ethnien als Indexbezeichnungen sein. (`race` Spalte)
|
||||
- Wie hoch ist das Durchschnittsalter der Männer?
|
||||
- Wie hoch ist der Prozentsatz von Menschen, die einen Bachelorabschluss haben?
|
||||
- Wie hoch ist der Prozentsatz der Menschen mit einer weiterführenden Bildung (`Bachelors`, `Masters`, oder `Doctorate`), die mehr als 50K verdienen?
|
||||
- Wie hoch ist der Prozentsatz der Menschen ohne weiterführende Bildung, die mehr als 50K verdienen?
|
||||
- Wie hoch ist die Mindestanzahl an Arbeitsstunden, die eine Person pro Woche arbeitet?
|
||||
- Wie hoch ist der Prozentsatz von Menschen, die die Mindestarbeitszeit arbeiten und mehr als 50K verdienen?
|
||||
- Welches Land hat den höchsten Prozentsatz an Menschen, die >50K verdienen und wie viel Prozent sind es?
|
||||
- Ermittle den bekanntesten Beruf für diejenigen, die in Indien >50K verdienen.
|
||||
|
||||
Benutze den Starter-Code in der Datei `demographic_data_analyzer`. Aktualisiere den Code, damit alle Variablen, die auf "Keine" gesetzt sind, auf die entsprechende Berechnung oder den entsprechenden Code gesetzt werden. Runde alle Dezimalstellen auf die nächste Zehnerstelle.
|
||||
|
||||
|
||||
@@ -10,16 +10,16 @@ dashedName: mean-variance-standard-deviation-calculator
|
||||
|
||||
Du wirst <a href="https://replit.com/github/freeCodeCamp/boilerplate-mean-variance-standard-deviation-calculator" target="_blank" rel="noopener noreferrer nofollow">mit unserem Replit-Startercode an diesem Projekt arbeiten</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
- Beginne, indem du das Projekt in Replit importierst.
|
||||
- Daraufhin wird ein `.replit`-Fenster angezeigt.
|
||||
- Wähle `Use run command` aus und klicke auf die `Done`-Schaltfläche.
|
||||
|
||||
|
||||
Wir sind noch dabei, den interaktiven Teil des Python-Kurses zu entwickeln. Hier sind erstmal einige Videos auf dem freeCodeCamp.org YouTube-Kanal, die dir alles beibringen, was du wissen musst, um dieses Projekt abzuschließen:
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Python for Everybody Video Course</a>(14 hours)
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Videokurs: Python für jedermann</a> (14 Stunden)
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">How to Analyze Data with Python Pandas</a> (10 hours)
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">Wie man Daten mit Python-Pandas analysiert </a> (10 Stunden)
|
||||
|
||||
# --instructions--
|
||||
|
||||
|
||||
@@ -10,16 +10,16 @@ dashedName: medical-data-visualizer
|
||||
|
||||
Du wirst <a href="https://replit.com/github/freeCodeCamp/boilerplate-medical-data-visualizer" target="_blank" rel="noopener noreferrer nofollow">mit unserem Replit-Startercode an diesem Projekt arbeiten</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
- Beginne, indem du das Projekt in Replit importierst.
|
||||
- Daraufhin wird ein `.replit`-Fenster angezeigt.
|
||||
- Wähle `Use run command` und klicke auf die `Done`-Schaltfläche.
|
||||
|
||||
|
||||
Wir sind noch dabei, den interaktiven Teil des Python-Kurses zu entwickeln. Hier sind erstmal einige Videos auf dem freeCodeCamp.org YouTube-Kanal, die dir alles beibringen, was du wissen musst, um dieses Projekt abzuschließen:
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Python for Everybody Video Course</a>(14 hours)
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Videokurs: Python für jedermann</a> (14 Stunden)
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">How to Analyze Data with Python Pandas</a> (10 hours)
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">Wie man Daten mit Python-Pandas analysiert </a> (10 Stunden)
|
||||
|
||||
# --instructions--
|
||||
|
||||
@@ -31,45 +31,45 @@ Die Zeilen des Datensatzes repräsentieren Patienten und die Spalten stellen Inf
|
||||
|
||||
Dateiname: medical_examination.csv
|
||||
|
||||
| Merkmal | Variablentyp | Variable | Wert |
|
||||
|:----------------------------------------:|:-------------------:|:-------------:|:------------------------------------------------:|
|
||||
| Alter | Objective Feature | `age` | int (Tage) |
|
||||
| Größe | Objective Feature | `height` | int (cm) |
|
||||
| Gewicht | Objective Feature | `weight` | float (kg) |
|
||||
| Geschlecht | Objective Feature | `gender` | Kategorie-Code |
|
||||
| Systolischer Blutdruck | Examination Feature | `ap_hi` | int |
|
||||
| Diastolischer Blutdruck | Examination Feature | `ap_lo` | int |
|
||||
| Cholesterin | Examination Feature | `cholesterol` | 1: normal, 2: above normal, 3: well above normal |
|
||||
| Glucose | Examination Feature | `gluc` | 1: normal, 2: above normal, 3: well above normal |
|
||||
| Rauchen | Subjective Feature | `smoke` | binary |
|
||||
| Alkoholkonsum | Subjective Feature | `alco` | binary |
|
||||
| Körperliche Aktivität | Subjective Feature | `active` | binary |
|
||||
| Leiden unter Herz-Kreislauf-Erkrankungen | Target Variable | `cardio` | binary |
|
||||
| Merkmal | Variablentyp | Variable | Wert |
|
||||
|:----------------------------------------:|:-------------------:|:-------------:|:---------------------------------------------------:|
|
||||
| Alter | Objective Feature | `age` | int (Tage) |
|
||||
| Größe | Objective Feature | `height` | int (cm) |
|
||||
| Gewicht | Objective Feature | `weight` | float (kg) |
|
||||
| Geschlecht | Objective Feature | `gender` | Kategorie-Code |
|
||||
| Systolischer Blutdruck | Examination Feature | `ap_hi` | int |
|
||||
| Diastolischer Blutdruck | Examination Feature | `ap_lo` | int |
|
||||
| Cholesterin | Examination Feature | `cholesterol` | 1: normal, 2: höher als normal, 3: weit über normal |
|
||||
| Glucose | Examination Feature | `gluc` | 1: normal, 2: höher als normal, 3: weit über normal |
|
||||
| Rauchen | Subjective Feature | `smoke` | binär |
|
||||
| Alkoholkonsum | Subjective Feature | `alco` | binär |
|
||||
| Körperliche Aktivität | Subjective Feature | `active` | binär |
|
||||
| Leiden unter Herz-Kreislauf-Erkrankungen | Target Variable | `cardio` | binär |
|
||||
|
||||
## Tasks
|
||||
|
||||
Create a chart similar to `examples/Figure_1.png`, where we show the counts of good and bad outcomes for the `cholesterol`, `gluc`, `alco`, `active`, and `smoke` variables for patients with cardio=1 and cardio=0 in different panels.
|
||||
Erstelle ein Diagramm, ähnlich wie `examples/Figure_1.png`, in dem wir die guten und schlechten Ergebnisse für `cholesterol`, `gluc`, `alco`, `active`, und `smoke`-Variablen der Patienten mit cardio=1 und cardio=0 in verschiedenen Panels anzeigen.
|
||||
|
||||
Use the data to complete the following tasks in `medical_data_visualizer.py`:
|
||||
Verwende die Daten um die folgenden Aufgaben in `medical_data_visualizer.py` abzuschließen:
|
||||
|
||||
- Add an `overweight` column to the data. To determine if a person is overweight, first calculate their BMI by dividing their weight in kilograms by the square of their height in meters. If that value is > 25 then the person is overweight. Use the value 0 for NOT overweight and the value 1 for overweight.
|
||||
- Normalize the data by making 0 always good and 1 always bad. If the value of `cholesterol` or `gluc` is 1, make the value 0. If the value is more than 1, make the value 1.
|
||||
- Convert the data into long format and create a chart that shows the value counts of the categorical features using seaborn's `catplot()`. The dataset should be split by 'Cardio' so there is one chart for each `cardio` value. The chart should look like `examples/Figure_1.png`.
|
||||
- Clean the data. Filter out the following patient segments that represent incorrect data:
|
||||
- Füge eine `overweight`-Spalte zu den Daten hinzu. Um festzustellen, ob eine Person übergewichtig ist, berechnet man zunächst ihren BMI, indem man ihr Gewicht in Kilogramm durch das Quadrat ihrer Körpergröße in Metern teilt. Wenn dieser Wert > 25 ist, dann ist die Person übergewichtig. Verwende den Wert 0 für NICHT übergewichtig und den Wert 1 für übergewichtig.
|
||||
- Normalisiere die Daten, indem du 0 immer für gut und 1 immer für schlecht verwendest. Wenn der Wert von `cholesterol` oder `gluc` 1 ist, wird der Wert auf 0 gesetzt. Wenn der Wert größer als 1 ist, setze den Wert auf 1.
|
||||
- Konvertiere die Daten in ein Langformat und erstelle ein Diagramm, das die Anzahl der Werte der kategorischen Merkmale mit seaborns `catplot()` darstellt. Der Datensatz sollte nach "Kardio" aufgeteilt werden, sodass es für jeden `cardio`-Wert ein Diagramm gibt. Das Diagramm sollte wie `examples/Figure_1.png` aussehen.
|
||||
- Bereinige die Daten. Filtere die folgenden Patientensegmente heraus, die fehlerhafte Daten darstellen:
|
||||
- diastolic pressure is higher than systolic (Keep the correct data with `(df['ap_lo'] <= df['ap_hi'])`)
|
||||
- height is less than the 2.5th percentile (Keep the correct data with `(df['height'] >= df['height'].quantile(0.025))`)
|
||||
- height is more than the 97.5th percentile
|
||||
- weight is less than the 2.5th percentile
|
||||
- weight is more than the 97.5th percentile
|
||||
- Create a correlation matrix using the dataset. Plot the correlation matrix using seaborn's `heatmap()`. Mask the upper triangle. The chart should look like `examples/Figure_2.png`.
|
||||
- die Größe liegt über dem 97,5. Perzentil
|
||||
- das Gewicht liegt unter dem 2,5. Perzentil
|
||||
- das Gewicht liegt über dem 97,5. Perzentil
|
||||
- Erstelle eine Korrelationsmatrix unter Verwendung des Datensatzes. Zeichne die Korrelationsmatrix mit seaborn's `heatmap()`. Decke das obere Dreieck ab. Das Diagramm sollte wie folgt aussehen `examples/Figure_2.png`.
|
||||
|
||||
Any time a variable is set to `None`, make sure to set it to the correct code.
|
||||
Immer wenn eine Variable `None` ist, musst du sicherstellen, dass es auf den korrekten Code gesetzt wird.
|
||||
|
||||
Unit tests are written for you under `test_module.py`.
|
||||
Modultests werden für dich in `test_module.py` geschrieben.
|
||||
|
||||
## Development
|
||||
## Entwicklung
|
||||
|
||||
For development, you can use `main.py` to test your functions. Click the "run" button and `main.py` will run.
|
||||
Für die Entwicklung kannst du `main.py` verwenden, um deinen Code zu testen. Click the "run" button and `main.py` will run.
|
||||
|
||||
## Testing
|
||||
|
||||
|
||||
@@ -12,12 +12,12 @@ Du wirst <a href="https://replit.com/github/freeCodeCamp/boilerplate-page-view-t
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
- Wähle `Use run command` und klicke auf die `Done`-Schaltfläche.
|
||||
|
||||
|
||||
Wir sind noch dabei, den interaktiven Teil des Python-Kurses zu entwickeln. Hier sind erstmal einige Videos auf dem freeCodeCamp.org YouTube-Kanal, die dir alles beibringen, was du wissen musst, um dieses Projekt abzuschließen:
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Python for Everybody Video Course</a>(14 hours)
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Videokurs: Python für jedermann</a> (14 Stunden)
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">How to Analyze Data with Python Pandas</a> (10 hours)
|
||||
|
||||
@@ -27,11 +27,11 @@ Für dieses Projekt visualisierst du die Daten der Zeitserie mit Hilfe eines Lin
|
||||
|
||||
Benutze die Daten, um die folgenden Aufgaben abzuschließen:
|
||||
|
||||
- Use Pandas to import the data from "fcc-forum-pageviews.csv". Set the index to the `date` column.
|
||||
- Clean the data by filtering out days when the page views were in the top 2.5% of the dataset or bottom 2.5% of the dataset.
|
||||
- Create a `draw_line_plot` function that uses Matplotlib to draw a line chart similar to "examples/Figure_1.png". The title should be `Daily freeCodeCamp Forum Page Views 5/2016-12/2019`. The label on the x axis should be `Date` and the label on the y axis should be `Page Views`.
|
||||
- Create a `draw_bar_plot` function that draws a bar chart similar to "examples/Figure_2.png". It should show average daily page views for each month grouped by year. The legend should show month labels and have a title of `Months`. On the chart, the label on the x axis should be `Years` and the label on the y axis should be `Average Page Views`.
|
||||
- Create a `draw_box_plot` function that uses Seaborn to draw two adjacent box plots similar to "examples/Figure_3.png". These box plots should show how the values are distributed within a given year or month and how it compares over time. The title of the first chart should be `Year-wise Box Plot (Trend)` and the title of the second chart should be `Month-wise Box Plot (Seasonality)`. Make sure the month labels on bottom start at `Jan` and the x and y axis are labeled correctly. The boilerplate includes commands to prepare the data.
|
||||
- Verwende Pandas, um die Daten aus "fcc-forum-pageviews.csv" zu importieren. Setze den Index auf die Spalte `date`.
|
||||
- Bereinige die Daten, indem du die Tage herausfilterst, an denen die Seitenaufrufe in den oberen 2,5 % des Datensatzes oder den unteren 2,5 % des Datensatzes lagen.
|
||||
- Erstelle eine `draw_line_plot` Funktion, die Matplotlib verwendet, um ein Liniendiagramm ähnlich wie in "examples/Figure_1.png" zu zeichnen. Der Titel sollte `Daily freeCodeCamp Forum Page Views 5/2016-12/2019` sein. Die Beschriftung der x-Achse sollte `Date` und die Beschriftung auf der y-Achse sollte `Page Views` lauten.
|
||||
- Erstelle eine `draw_bar_plot` Funktion, die ein Balkendiagramm ähnlich wie in "examples/Figure_2.png" zeichnet. Es sollte die durchschnittlichen täglichen Seitenaufrufe für jeden Monat, gruppiert nach Jahr, anzeigen. Die Legende sollte Monatsbezeichnungen zeigen und den Titel `Months` haben. Im Diagramm sollte die Beschriftung auf der x-Achse `Years` und die Beschriftung auf der y-Achse `Average Page Views` sein.
|
||||
- Erstelle eine `draw_box_plot`-Funktion, die Seaborn verwendet, um zwei angrenzende Boxplots, ähnlich wie "examples/Figure_3.png" zu zeichnen. Diese Boxplots sollen zeigen, wie die Werte innerhalb eines bestimmten Jahres oder Monats verteilt sind und wie sie sich im Zeitvergleich darstellen. Der Titel des ersten Diagramms sollte `Year-wise Box Plot (Trend)` und der des zweiten Diagramms sollte `Month-wise Box Plot (Seasonality)` lauten. Vergewissere dich, dass die Monatsbeschriftungen unten mit `Jan` beginnen und die x- und y-Achse korrekt beschriftet sind. Die Boilerplate enthält Befehle zur Vorbereitung der Daten.
|
||||
|
||||
Bitte verwende für jedes Diagramm eine Kopie des Dataframes. Unit-Tests werden für dich unter `test_module.py` geschrieben.
|
||||
|
||||
|
||||
@@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e4f5c4b570f7e3a4949899f
|
||||
title: Sea Level Predictor
|
||||
title: Meeresspiegelvorhersage
|
||||
challengeType: 10
|
||||
forumTopicId: 462370
|
||||
dashedName: sea-level-predictor
|
||||
@@ -8,55 +8,55 @@ dashedName: sea-level-predictor
|
||||
|
||||
# --description--
|
||||
|
||||
You will be <a href="https://replit.com/github/freeCodeCamp/boilerplate-sea-level-predictor" target="_blank" rel="noopener noreferrer nofollow">working on this project with our Replit starter code</a>.
|
||||
Du wirst <a href="https://replit.com/github/freeCodeCamp/boilerplate-sea-level-predictor" target="_blank" rel="noopener noreferrer nofollow">mit unserem Relpit-Startercode an diesem Projekt arbeiten</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
- Beginne, indem du das Projekt in Replit importierst.
|
||||
- Daraufhin wird ein `.replit`-Fenster angezeigt.
|
||||
- Wähle `Use run command` und klicke auf die `Done`-Schaltfläche.
|
||||
|
||||
|
||||
We are still developing the interactive instructional part of the Python curriculum. For now, here are some videos on the freeCodeCamp.org YouTube channel that will teach you everything you need to know to complete this project:
|
||||
Wir sind noch dabei, den interaktiven Teil des Python-Lehrplans zu entwickeln. Zurzeit kannst du dir lediglich einige Videos auf unserem YouTube-Channel für freeCodeCamp.org ansehen – diese bringen dir alles bei, was du wissen musst, um dieses Projekt abzuschließen:
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Python for Everybody Video Course</a>(14 hours)
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Videokurs: Python für jedermann</a> (14 Stunden)
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">How to Analyze Data with Python Pandas</a> (10 hours)
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">Wie man Daten mit Python-Pandas analysiert </a> (10 Stunden)
|
||||
|
||||
# --instructions--
|
||||
|
||||
You will analyze a dataset of the global average sea level change since 1880. You will use the data to predict the sea level change through year 2050.
|
||||
Du analysierst einen Datensatz über die durchschnittliche Veränderung des globalen Meeresspiegels seit 1880. Diese Daten benutzt du, um die Veränderungen des Meeresspiegels bis zum Jahr 2050 vorherzusagen.
|
||||
|
||||
Use the data to complete the following tasks:
|
||||
Benutze die Daten, um folgende Aufgaben abzuschließen:
|
||||
|
||||
- Use Pandas to import the data from `epa-sea-level.csv`.
|
||||
- Use matplotlib to create a scatter plot using the `Year` column as the x-axis and the `CSIRO Adjusted Sea Level` column as the y-axix.
|
||||
- Use the `linregress` function from `scipy.stats` to get the slope and y-intercept of the line of best fit. Plot the line of best fit over the top of the scatter plot. Make the line go through the year 2050 to predict the sea level rise in 2050.
|
||||
- Plot a new line of best fit just using the data from year 2000 through the most recent year in the dataset. Make the line also go through the year 2050 to predict the sea level rise in 2050 if the rate of rise continues as it has since the year 2000.
|
||||
- The x label should be `Year`, the y label should be `Sea Level (inches)`, and the title should be `Rise in Sea Level`.
|
||||
- Verwende Pandas, um die Daten aus `epa-sea-level.csv` zu importieren.
|
||||
- Verwende matplotlib, um ein Streudiagramm mit der `Year`-Spalte als x-Achse und der `CSIRO Adjusted Sea Level`-Spalte als y-Achse zu erstellen.
|
||||
- Verwende die `linregress` Funktion aus `scipy.stats`, um die Steigerung und den y-Achsenabschnitt der Mittelwertsgerade zu erhalten. Zeichne die Linie der besten Anpassung über das Streudiagramm. Lass die Linie durch das Jahr 2050 verlaufen, um den Meeresspielanstieg im Jahr 2050 vorherzusagen.
|
||||
- Zeichne eine neue Linie der besten Passform nur mit den Daten vom Jahr 2000 bis zum jüngsten Jahr im Datensatz. Lass die Linie auch durch das Jahr 2050 laufen, um den Anstieg des Meeresspiegels im Jahr 2050 vorherzusagen, wenn die Anstiegsrate weiterhin so verläuft wie seit dem Jahr 2000.
|
||||
- Die x-Beschriftung sollte `Year`, die y-Beschriftung sollte `Sea Level (inches)` und der Titel sollte `Rise in Sea Level` lauten.
|
||||
|
||||
Unit tests are written for you under `test_module.py`.
|
||||
Unit-Tests werden für dich unter `test_module.py` geschrieben.
|
||||
|
||||
The boilerplate also includes commands to save and return the image.
|
||||
Die Boilerplate enthält auch Befehle zum Speichern und Zurückgeben des Bildes.
|
||||
|
||||
## Development
|
||||
## Entwicklung
|
||||
|
||||
For development, you can use `main.py` to test your functions. Click the "run" button and `main.py` will run.
|
||||
Für die Entwicklung kannst du `main.py` verwenden, um deine Funktionen zu testen. Klicken Sie auf die Schaltfläche "Ausführen" und `main.py` wird ausgeführt.
|
||||
|
||||
## Testing
|
||||
## Prüfung
|
||||
|
||||
We imported the tests from `test_module.py` to `main.py` for your convenience. The tests will run automatically whenever you hit the "run" button.
|
||||
Wir haben die Tests von `test_module.py` nach `main.py` importiert, um Ihnen die Arbeit zu erleichtern. Die Tests werden automatisch ausgeführt, sobald du auf die Schaltfläche "Ausführen" klickst.
|
||||
|
||||
## Submitting
|
||||
|
||||
Copy your project's URL and submit it to freeCodeCamp.
|
||||
Kopiere die URL deines Projekts und sende es an freeCodeCamp.
|
||||
|
||||
## Data Source
|
||||
## Datenquelle
|
||||
|
||||
<a href="https://datahub.io/core/sea-level-rise" target="_blank" rel="noopener noreferrer nofollow">Global Average Absolute Sea Level Change</a>, 1880-2014 from the US Environmental Protection Agency using data from CSIRO, 2015; NOAA, 2015.
|
||||
<a href="https://datahub.io/core/sea-level-rise" target="_blank" rel="noopener noreferrer nofollow">Absolute globale durchschnittliche Meeresspiegelveränderung</a>, 1880-2014 von der US-Umweltschutzbehörde unter Verwendung von Daten von CSIRO, 2015; NOAA, 2015.
|
||||
|
||||
|
||||
# --hints--
|
||||
|
||||
It should pass all Python tests.
|
||||
Er sollte alle Python-Tests bestehen.
|
||||
|
||||
```js
|
||||
|
||||
|
||||
Reference in New Issue
Block a user