mirror of
https://github.com/freeCodeCamp/freeCodeCamp.git
synced 2026-04-13 22:00:19 -04:00
chore(i18n,learn): processed translations (#48594)
This commit is contained in:
camperbot
@@ -10,16 +10,16 @@ dashedName: demographic-data-analyzer
|
||||
|
||||
Ви будете <a href="https://replit.com/github/freeCodeCamp/boilerplate-demographic-data-analyzer" target="_blank" rel="noopener noreferrer nofollow">працювати над цим проєктом з нашим стартовим кодом Replit</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
- Почніть з імпорту проєкту на Replit.
|
||||
- Потім ви побачите вікно `.replit`.
|
||||
- Оберіть `Use run command` та натисніть кнопку `Done`.
|
||||
|
||||
|
||||
Ми досі розробляємо інтерактивну частину навчальної програми з Python. Наразі є декілька відео на ютуб-каналі freeCodeCamp.org, які навчать всього необхідного для виконання цього проєкту:
|
||||
|
||||
- <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">Python for Everybody Video Course</a> (14 годин)
|
||||
|
||||
- <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">How to Analyze Data with Python Pandas</a> (10 годин)
|
||||
|
||||
# --instructions--
|
||||
|
||||
@@ -37,15 +37,15 @@ dashedName: demographic-data-analyzer
|
||||
|
||||
Ви повинні використати Pandas, щоб відповісти на наступні запитання:
|
||||
|
||||
- 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.
|
||||
- Скільки людей кожної раси представлено в цьому наборі даних? Це повинна бути серія Pandas з назвами рас як індексними мітками. (стовпчик `race`)
|
||||
- Який середній вік людей?
|
||||
- Який відсоток людей, у яких є ступінь бакалавра?
|
||||
- Який відсоток людей з вищою освітою (`Bachelors`, `Masters` або `Doctorate`) заробляє понад 50 тисяч?
|
||||
- Який відсоток людей без вищої освіти заробляє понад 50 тисяч?
|
||||
- Яку мінімальну кількість годин на тиждень працює людина?
|
||||
- Який відсоток людей, які працюють мінімальну кількість годин на тиждень та отримують зарплату понад 50 тисяч?
|
||||
- У якій країні найбільший відсоток людей, які заробляють >50 тисяч і який цей відсоток?
|
||||
- Визначте найпопулярнішу професію для тих, хто заробляє >50 тисяч в Індії.
|
||||
|
||||
Використайте початковий код у файлі `demographic_data_analyzer`. Оновіть код, щоб для всіх змінних, для яких встановлено значення "None", було встановлено відповідне обчислення або код. Заокругліть усі десяткові дроби до найближчих десятків.
|
||||
|
||||
|
||||
@@ -10,16 +10,16 @@ dashedName: mean-variance-standard-deviation-calculator
|
||||
|
||||
Ви будете <a href="https://replit.com/github/freeCodeCamp/boilerplate-mean-variance-standard-deviation-calculator" target="_blank" rel="noopener noreferrer nofollow">працювати над цим проєктом з нашим стартовим кодом Replit</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
- Почніть з імпорту проєкту на Replit.
|
||||
- Потім ви побачите вікно `.replit`.
|
||||
- Оберіть `Use run command` та натисніть кнопку `Done`.
|
||||
|
||||
|
||||
Ми досі розробляємо інтерактивну частину навчальної програми з Python. Наразі є декілька відео на ютуб-каналі freeCodeCamp.org, які навчать всього необхідного для виконання цього проєкту:
|
||||
|
||||
- <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">Python for Everybody Video Course</a>(14 годин)
|
||||
|
||||
- <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">How to Analyze Data with Python Pandas</a> (10 годин)
|
||||
|
||||
# --instructions--
|
||||
|
||||
|
||||
@@ -10,16 +10,16 @@ dashedName: medical-data-visualizer
|
||||
|
||||
Ви будете <a href="https://replit.com/github/freeCodeCamp/boilerplate-medical-data-visualizer" target="_blank" rel="noopener noreferrer nofollow">працювати над цим проєктом з нашим стартовим кодом Replit</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
- Почніть з імпорту проєкту на Replit.
|
||||
- Потім ви побачите вікно `.replit`.
|
||||
- Оберіть `Use run command` та натисніть кнопку `Done`.
|
||||
|
||||
|
||||
Ми досі розробляємо інтерактивну частину навчальної програми з Python. Наразі є декілька відео на ютуб-каналі freeCodeCamp.org, які навчать всього необхідного для виконання цього проєкту:
|
||||
|
||||
- <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">Python for Everybody Video Course</a>(14 годин)
|
||||
|
||||
- <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">How to Analyze Data with Python Pandas</a> (10 годин)
|
||||
|
||||
# --instructions--
|
||||
|
||||
@@ -52,16 +52,16 @@ dashedName: medical-data-visualizer
|
||||
|
||||
Використайте дані для виконання наступних завдань у `medical_data_visualizer.py`:
|
||||
|
||||
- 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:
|
||||
- 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`.
|
||||
- Додайте стовпчик `overweight` до даних. Щоб визначити, чи має людина зайву вагу, спочатку обчисліть її ІМТ, поділивши вагу (кг) на зріст (м) у квадраті. Якщо це значення > 25, то людина має зайву вагу. Використайте значення 0 для НЕ надмірної ваги та значення 1 для надмірної ваги.
|
||||
- Нормалізуйте дані, зробивши 0 завжди хорошим, а 1 завжди поганим. Якщо значення `cholesterol` або `gluc` дорівнює 1, зробіть значення 0. Якщо значення більше ніж 1, зробіть значення 1.
|
||||
- Перетворіть дані у довгий формат та створіть діаграму, яка показує кількість підрахунків категорійних особливостей, використовуючи `catplot()` із seaborn. Набір даних має бути розділений «Cardio», щоб для кожного значення `cardio` був стовпчик. Діаграма повинна виглядати так: `examples/Figure_1.png`.
|
||||
- Очистіть дані. Відфільтруйте наступні сегменти пацієнтів, які представляють неправильні дані:
|
||||
- діастолічний тиск вищий за систолічний (збережіть правильні дані за допомогою `(df['ap_lo'] <= df['ap_hi'])`)
|
||||
- зріст менший за 2,5-ий процентиль (збережіть правильні дані за допомогою `(df['height'] >= df['height'].quantile(0.025))`)
|
||||
- зріст більший за 97,5-ий процентиль
|
||||
- вага менша за 2,5-ий процентиль
|
||||
- вага більша ніж 97,5-ий процентиль
|
||||
- Створіть кореляційну матрицю, використовуючи набір даних. Побудуйте кореляційну матрицю за допомогою `heatmap()` із seaborn. Замаскуйте верхній трикутник. Діаграма повинна виглядати так: `examples/Figure_2.png`.
|
||||
|
||||
Кожного разу, коли для змінної встановлено значення `None`, переконайтеся, що для неї встановлено правильний код.
|
||||
|
||||
|
||||
@@ -10,16 +10,16 @@ dashedName: page-view-time-series-visualizer
|
||||
|
||||
Ви будете <a href="https://replit.com/github/freeCodeCamp/boilerplate-page-view-time-series-visualizer" target="_blank" rel="noopener noreferrer nofollow">працювати над цим проєктом з нашим стартовим кодом Replit</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
- Почніть з імпорту проєкту на Replit.
|
||||
- Потім ви побачите вікно `.replit`.
|
||||
- Оберіть `Use run command` та натисніть кнопку `Done`.
|
||||
|
||||
|
||||
Ми досі розробляємо інтерактивну частину навчальної програми з Python. Наразі є декілька відео на ютуб-каналі freeCodeCamp.org, які навчать всього необхідного для виконання цього проєкту:
|
||||
|
||||
- <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">Python for Everybody Video Course</a>(14 годин)
|
||||
|
||||
- <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">How to Analyze Data with Python Pandas</a> (10 годин)
|
||||
|
||||
# --instructions--
|
||||
|
||||
@@ -27,11 +27,11 @@ dashedName: page-view-time-series-visualizer
|
||||
|
||||
Використайте дані для виконання наступних завдань:
|
||||
|
||||
- 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.
|
||||
- Використайте Pandas для імпорту даних з «fc-forum-pageviews.csv». Встановіть індекс на стовпчик `date`.
|
||||
- Очистить дані, відфільтрувавши дні, коли перегляди сторінок належали до верхніх 2,5% набору даних або нижніх 2,5% набору даних.
|
||||
- Створіть функцію `draw_line_plot`, яка використовує Matplotlib для створення лінійної діаграми, подібної до «examples/Figure_1.png». Заголовком повинен бути `Daily freeCodeCamp Forum Page Views 5/2016-12/2019`. Міткою на осі X повинна бути `Date`, а міткою на осі Y повинна бути `Page Views`.
|
||||
- Створіть функцію `draw_bar_plot`, яка малює стовпчикову діаграму, подібну до «examples/Figure_2.png». Вона повинна відображати середню кількість щоденних переглядів для кожного місяця, згрупованих за роками. Легенда повинна відображати мітки місяців та мати назву `Months`. На діаграмі міткою на осі X повинна бути `Years`, а міткою на осі Y повинна бути `Average Page Views`.
|
||||
- Створіть функцію `draw_box_plot`, яка використовує Seaborn, щоб намалювати два суміжні коробкові графіки, подібні до «examples/Figure_3.png». Ці коробкові графіки повинні показувати, як значення розподіляються протягом певного року чи місяця та як вони порівнюються з часом. Заголовком першої діаграми повинен бути `Year-wise Box Plot (Trend)`, а заголовком другої діаграми повинен бути `Month-wise Box Plot (Seasonality)`. Переконайтеся, що мітки місяця внизу починаються з `Jan`, а вісь x та y позначені правильно. Шаблонний код містить команди для підготовки даних.
|
||||
|
||||
Для кожної діаграми обов’язково використайте копію кадру даних. Для вас складені модульні тести у `test_module.py`.
|
||||
|
||||
|
||||
@@ -10,16 +10,16 @@ dashedName: sea-level-predictor
|
||||
|
||||
Ви будете <a href="https://replit.com/github/freeCodeCamp/boilerplate-sea-level-predictor" target="_blank" rel="noopener noreferrer nofollow">працювати над цим проєктом з нашим стартовим кодом Replit</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
- Почніть з імпорту проєкту на Replit.
|
||||
- Потім ви побачите вікно `.replit`.
|
||||
- Оберіть `Use run command` та натисніть кнопку `Done`.
|
||||
|
||||
|
||||
Ми досі розробляємо інтерактивну частину навчальної програми з Python. Наразі є декілька відео на ютуб-каналі freeCodeCamp.org, які навчать всього необхідного для виконання цього проєкту:
|
||||
|
||||
- <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">Python for Everybody Video Course</a>(14 годин)
|
||||
|
||||
- <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">How to Analyze Data with Python Pandas</a> (10 годин)
|
||||
|
||||
# --instructions--
|
||||
|
||||
@@ -27,11 +27,11 @@ dashedName: sea-level-predictor
|
||||
|
||||
Використайте дані для виконання наступних завдань:
|
||||
|
||||
- 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`.
|
||||
- Використайте Pandas для імпорту даних з `epa-sea-level.csv`.
|
||||
- Використайте matplotlib, щоб створити діаграму розсіювання, використовуючи стовпчик `Year` як вісь x та стовпчик `CSIRO Adjusted Sea Level` як вісь y.
|
||||
- Використайте функцію `linregress` із `scipy.stats`, щоб отримати нахил та Y-перехоплення лінії, яка найкраще підходить. Нанесіть лінію, яка найкраще підходить, поверх діаграми розсіювання. Проведіть лінію через 2050 рік, щоб передбачити підвищення рівня моря в 2050 році.
|
||||
- Побудуйте нову лінію, яка найкраще підходить, просто використовуючи дані з 2000 року до найновішого року в наборі даних. Зробіть так, щоб лінія також проходила через 2050 рік, щоб передбачити підвищення рівня моря в 2050 році, якщо темпи підвищення триватимуть, як це було з 2000 року.
|
||||
- Міткою x повинна бути `Year`, міткою y повинна бути `Sea Level (inches)`, а назва повинна бути `Rise in Sea Level`.
|
||||
|
||||
Для вас складені модульні тести у `test_module.py`.
|
||||
|
||||
|
||||
Reference in New Issue
Block a user