क्या जेंडर से यह तय होता है कि किसके वाहन की तलाशी ली जाए?

pandas के साथ Police Activity का विश्लेषण

Kevin Markham

Founder, Data School

Boolean मानों के साथ गणित

ri.isnull().sum()

stop_date             0
stop_time             0
driver_gender         0
driver_race           0
violation_raw         0
...

True = 1, False = 0

import numpy as np

np.mean([0, 1, 0, 0])

0.25

np.mean([False, True, 
         False, False])

0.25

Boolean Series का mean True मानों का प्रतिशत दर्शाता है

Boolean Series का mean लेना

ri.is_arrested.value_counts(normalize=True)

False    0.964431
True     0.035569

ri.is_arrested.mean()

0.0355690117407784

ri.is_arrested.dtype

dtype('bool')

groupby से समूहों की तुलना (1)

पुलिस जिले के अनुसार गिरफ़्तारी दर जाँचें

ri.district.unique()

array(['Zone X4', 'Zone K3', 'Zone X1', 'Zone X3',
       'Zone K1', 'Zone K2'], dtype=object)

ri[ri.district == 'Zone K1'].is_arrested.mean()

0.024349083895853423

groupby से समूहों की तुलना (2)

ri[ri.district == 'Zone K2'].is_arrested.mean()

0.030800588834786546

ri.groupby('district').is_arrested.mean()

district
Zone K1    0.024349
Zone K2    0.030801
Zone K3    0.032311
Zone X1    0.023494
Zone X3    0.034871
Zone X4    0.048038

एक से अधिक श्रेणियों पर grouping

ri.groupby(['district', 'driver_gender']).is_arrested.mean()

district  driver_gender
Zone K1   F                0.019169
          M                0.026588
Zone K2   F                0.022196
...       ...                   ...

ri.groupby(['driver_gender', 'district']).is_arrested.mean()

driver_gender  district
F              Zone K1     0.019169
               Zone K2     0.022196
...            ...              ...

अभ्यास करते हैं!

pandas के साथ Police Activity का विश्लेषण