Dataset Preview
The full dataset viewer is not available (click to read why). Only showing a preview of the rows.
The dataset generation failed
Error code: DatasetGenerationError
Exception: CastError
Message: Couldn't cast
problem_id: int64
sample: int64
completion: string
code: string
ast_valid: bool
graph_vertex_class: string
instruction: string
id: int64
graph_vertex_subclass: string
to
{'id': Value('int64'), 'graph_vertex_class': Value('string'), 'graph_vertex_subclass': Value('string'), 'instruction': Value('string'), 'completion': Value('string'), 'code': Value('string'), 'ast_valid': Value('bool')}
because column names don't match
Traceback: Traceback (most recent call last):
File "/usr/local/lib/python3.14/site-packages/datasets/builder.py", line 1835, in _prepare_split_single
for key, table in generator:
^^^^^^^^^
File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 621, in wrapped
for item in generator(*args, **kwargs):
~~~~~~~~~^^^^^^^^^^^^^^^^^
File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/json/json.py", line 361, in _generate_tables
self._cast_table(pa_table, json_field_paths=json_field_paths),
~~~~~~~~~~~~~~~~^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/json/json.py", line 132, in _cast_table
pa_table = table_cast(pa_table, self.info.features.arrow_schema)
File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2381, in table_cast
return cast_table_to_schema(table, schema)
File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2309, in cast_table_to_schema
raise CastError(
...<3 lines>...
)
datasets.table.CastError: Couldn't cast
problem_id: int64
sample: int64
completion: string
code: string
ast_valid: bool
graph_vertex_class: string
instruction: string
id: int64
graph_vertex_subclass: string
to
{'id': Value('int64'), 'graph_vertex_class': Value('string'), 'graph_vertex_subclass': Value('string'), 'instruction': Value('string'), 'completion': Value('string'), 'code': Value('string'), 'ast_valid': Value('bool')}
because column names don't match
The above exception was the direct cause of the following exception:
Traceback (most recent call last):
File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 1379, in compute_config_parquet_and_info_response
parquet_operations, partial, estimated_dataset_info = stream_convert_to_parquet(
~~~~~~~~~~~~~~~~~~~~~~~~~^
builder, max_dataset_size_bytes=max_dataset_size_bytes
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
)
^
File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 956, in stream_convert_to_parquet
builder._prepare_split(split_generator=splits_generators[split], file_format="parquet")
~~~~~~~~~~~~~~~~~~~~~~^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/usr/local/lib/python3.14/site-packages/datasets/builder.py", line 1702, in _prepare_split
for job_id, done, content in self._prepare_split_single(
~~~~~~~~~~~~~~~~~~~~~~~~~~^
gen_kwargs=gen_kwargs, job_id=job_id, **_prepare_split_args
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
):
^
File "/usr/local/lib/python3.14/site-packages/datasets/builder.py", line 1887, in _prepare_split_single
raise DatasetGenerationError("An error occurred while generating the dataset") from e
datasets.exceptions.DatasetGenerationError: An error occurred while generating the datasetNeed help to make the dataset viewer work? Make sure to review how to configure the dataset viewer, and open a discussion for direct support.
id int64 | graph_vertex_class string | graph_vertex_subclass string | instruction string | completion string | code string | ast_valid bool |
|---|---|---|---|---|---|---|
3,413 | Data_Export | prepare_output | Write Python code to prepare the output for submission. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä CreateÄ aÄ functionÄ toÄ predictÄ theÄ targetÄ variableÄŠdefÄ predict_target(X_train,Ä y_train,Ä X_test,Ä y_test):ÄŠÄ Ä Ä Ä fromÄ sklearn.ensembleÄ i... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä CreateÄ aÄ functionÄ toÄ predictÄ theÄ targetÄ variableÄŠdefÄ predict_target(X_train,Ä y_train,Ä X_test,Ä y_test):ÄŠÄ Ä Ä Ä fromÄ sklearn.ensembleÄ i... | true |
3,221 | Data_Export | save_to_csv | Write Python code to save the results to a CSV file. | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | true |
1,521 | Data_Export | save_to_csv | Write Python code to save the results to a CSV file. | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | true |
545 | Data_Export | save_to_csv | Write Python code to save the results to a CSV file. | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | true |
640 | Data_Export | prepare_output | Write Python code to prepare the output for submission. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä CreateÄ aÄ functionÄ toÄ predictÄ theÄ targetÄ variableÄŠdefÄ predict_target(X_train,Ä y_train,Ä X_test,Ä y_test):ÄŠÄ Ä Ä Ä fromÄ sklearn.ensembleÄ i... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä CreateÄ aÄ functionÄ toÄ predictÄ theÄ targetÄ variableÄŠdefÄ predict_target(X_train,Ä y_train,Ä X_test,Ä y_test):ÄŠÄ Ä Ä Ä fromÄ sklearn.ensembleÄ i... | true |
4,987 | Data_Export | save_to_csv | Write Python code to save the results to a CSV file. | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | true |
6,634 | Data_Export | save_to_csv | Write Python code to save the results to a CSV file. | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | true |
1,482 | Data_Export | save_to_csv | Write Python code to save the results to a CSV file. | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | true |
6,345 | Data_Export | prepare_output | Write Python code to prepare the output for submission. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä CreateÄ aÄ functionÄ toÄ predictÄ theÄ targetÄ variableÄŠdefÄ predict_target(X_train,Ä y_train,Ä X_test,Ä y_test):ÄŠÄ Ä Ä Ä fromÄ sklearn.ensembleÄ i... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä CreateÄ aÄ functionÄ toÄ predictÄ theÄ targetÄ variableÄŠdefÄ predict_target(X_train,Ä y_train,Ä X_test,Ä y_test):ÄŠÄ Ä Ä Ä fromÄ sklearn.ensembleÄ i... | true |
7,463 | Data_Export | prepare_output | Write Python code to prepare the output for submission. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä CreateÄ aÄ functionÄ toÄ predictÄ theÄ targetÄ variableÄŠdefÄ predict_target(X_train,Ä y_train,Ä X_test,Ä y_test):ÄŠÄ Ä Ä Ä fromÄ sklearn.ensembleÄ i... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä CreateÄ aÄ functionÄ toÄ predictÄ theÄ targetÄ variableÄŠdefÄ predict_target(X_train,Ä y_train,Ä X_test,Ä y_test):ÄŠÄ Ä Ä Ä fromÄ sklearn.ensembleÄ i... | true |
1,642 | Data_Export | save_to_csv | Write Python code to save the results to a CSV file. | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | true |
1,930 | Data_Export | save_to_csv | Write Python code to save the results to a CSV file. | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | true |
3,388 | Data_Export | prepare_output | Write Python code to prepare the output for submission. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä CreateÄ aÄ functionÄ toÄ predictÄ theÄ targetÄ variableÄŠdefÄ predict_target(X_train,Ä y_train,Ä X_test,Ä y_test):ÄŠÄ Ä Ä Ä fromÄ sklearn.ensembleÄ i... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä CreateÄ aÄ functionÄ toÄ predictÄ theÄ targetÄ variableÄŠdefÄ predict_target(X_train,Ä y_train,Ä X_test,Ä y_test):ÄŠÄ Ä Ä Ä fromÄ sklearn.ensembleÄ i... | true |
3,465 | Data_Export | prepare_output | Write Python code to prepare the output for submission. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä CreateÄ aÄ functionÄ toÄ predictÄ theÄ targetÄ variableÄŠdefÄ predict_target(X_train,Ä y_train,Ä X_test,Ä y_test):ÄŠÄ Ä Ä Ä fromÄ sklearn.ensembleÄ i... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä CreateÄ aÄ functionÄ toÄ predictÄ theÄ targetÄ variableÄŠdefÄ predict_target(X_train,Ä y_train,Ä X_test,Ä y_test):ÄŠÄ Ä Ä Ä fromÄ sklearn.ensembleÄ i... | true |
3,702 | Data_Export | save_to_csv | Write Python code to save the results to a CSV file. | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | true |
534 | Data_Export | save_to_csv | Write Python code to save the results to a CSV file. | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | true |
1,644 | Data_Export | save_to_csv | Write Python code to save the results to a CSV file. | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | true |
7,065 | Data_Export | save_to_csv | Write Python code to save the results to a CSV file. | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | ÄŠÄŠ#Ä SaveÄ theÄ resultÄ toÄ aÄ CSVÄ fileÄŠresult.to_csv('submission.csv',Ä index=False)ÄŠ | true |
3,099 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
6,237 | Data_Extraction | load_from_disk | Write Python code to load the data from disk. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ diskÄŠtrain_dataÄ =Ä pd.read_csv('../input/train.csv')ÄŠtest_dataÄ =Ä pd.read_csv('../input/test.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠtrain_data.head()ÄŠtest_data.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ diskÄŠtrain_dataÄ =Ä pd.read_csv('../input/train.csv')ÄŠtest_dataÄ =Ä pd.read_csv('../input/test.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠtrain_data.head()ÄŠtest_data.head()ÄŠ | true |
1,973 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
6,132 | Data_Extraction | load_from_disk | Write Python code to load the data from disk. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ diskÄŠtrain_dataÄ =Ä pd.read_csv('../input/train.csv')ÄŠtest_dataÄ =Ä pd.read_csv('../input/test.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠtrain_data.head()ÄŠtest_data.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ diskÄŠtrain_dataÄ =Ä pd.read_csv('../input/train.csv')ÄŠtest_dataÄ =Ä pd.read_csv('../input/test.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠtrain_data.head()ÄŠtest_data.head()ÄŠ | true |
6,319 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
6,421 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
4,992 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
2,150 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
4,109 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
5,739 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
7,429 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
4,952 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
2,768 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
1,670 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
5,023 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
4,393 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
5,958 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
7,609 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
1,231 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
6,491 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
4,990 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
6,438 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
546 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
6,985 | Data_Extraction | load_from_csv | Write Python code to load the data from a CSV file. | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | ÄŠÄŠ#Ä LoadÄ theÄ dataÄ fromÄ aÄ CSVÄ fileÄŠimportÄ pandasÄ asÄ pdÄŠÄŠ#Ä LoadÄ theÄ dataÄŠdataÄ =Ä pd.read_csv('../input/train.csv')ÄŠÄŠ#Ä CheckÄ theÄ dataÄŠdata.head()ÄŠ | true |
3,065 | Data_Transform | feature_engineering | Write Python code to engineer new features. | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | true |
4,052 | Data_Transform | feature_engineering | Write Python code to engineer new features. | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | true |
3,210 | Data_Transform | split | Write Python code to split the data into training and test sets. | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | true |
1,477 | Data_Transform | feature_engineering | Write Python code to engineer new features. | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | true |
4,309 | Data_Transform | split | Write Python code to split the data into training and test sets. | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | true |
6,412 | Data_Transform | feature_engineering | Write Python code to engineer new features. | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | true |
3,876 | Data_Transform | data_type_conversions | Write Python code to convert the column data types. | ÄŠÄŠ#Ä ConvertÄ theÄ columnÄ datatypesÄŠtrain_data['datetime']Ä =Ä pd.to_datetime(train_data['datetime'])ÄŠtrain_data['year']Ä =Ä train_data['datetime'].dt.yearÄŠtrain_data['month']Ä =Ä train_data['datetime'].dt.monthÄŠtrain_data['day']Ä =Ä train_data['datetime'].dt.dayÄŠtrain_data['hour']Ä =Ä train_data['datetime'].dt.hourÄŠtrain_data['wee... | ÄŠÄŠ#Ä ConvertÄ theÄ columnÄ datatypesÄŠtrain_data['datetime']Ä =Ä pd.to_datetime(train_data['datetime'])ÄŠtrain_data['year']Ä =Ä train_data['datetime'].dt.yearÄŠtrain_data['month']Ä =Ä train_data['datetime'].dt.monthÄŠtrain_data['day']Ä =Ä train_data['datetime'].dt.dayÄŠtrain_data['hour']Ä =Ä train_data['datetime'].dt.hourÄŠtrain_data['wee... | true |
1,411 | Data_Transform | feature_engineering | Write Python code to engineer new features. | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | true |
2,402 | Data_Transform | prepare_x_and_y | Write Python code to separate the features and the target. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | true |
6,011 | Data_Transform | prepare_x_and_y | Write Python code to separate the features and the target. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | true |
6,347 | Data_Transform | feature_engineering | Write Python code to engineer new features. | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | true |
2,904 | Data_Transform | categorify | Write Python code to encode the categorical features. | ÄŠÄŠ#Ä EncodingÄ categoricalÄ featuresÄŠÄŠ#Ä ConvertÄ categoricalÄ variablesÄ toÄ numericÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variabl... | ÄŠÄŠ#Ä EncodingÄ categoricalÄ featuresÄŠÄŠ#Ä ConvertÄ categoricalÄ variablesÄ toÄ numericÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variabl... | true |
5,609 | Data_Transform | string_transform | Write Python code to transform the text columns. | ÄŠÄŠ#Ä TransformÄ theÄ textÄ columnsÄŠÄŠ#Ä ConvertÄ theÄ textÄ toÄ lowerÄ caseÄŠtrain_data['text']Ä =Ä train_data['text'].apply(lambdaÄ x:Ä x.lower())ÄŠtest_data['text']Ä =Ä test_data['text'].apply(lambdaÄ x:Ä x.lower())ÄŠÄŠ#Ä RemoveÄ punctuationÄŠimportÄ stringÄŠtrain_data['text']Ä =Ä train_data['text'].apply(lambdaÄ x:Ä ''.join(chÄ forÄ chÄ inÄ xÄ ifÄ chÄ no... | ÄŠÄŠ#Ä TransformÄ theÄ textÄ columnsÄŠÄŠ#Ä ConvertÄ theÄ textÄ toÄ lowerÄ caseÄŠtrain_data['text']Ä =Ä train_data['text'].apply(lambdaÄ x:Ä x.lower())ÄŠtest_data['text']Ä =Ä test_data['text'].apply(lambdaÄ x:Ä x.lower())ÄŠÄŠ#Ä RemoveÄ punctuationÄŠimportÄ stringÄŠtrain_data['text']Ä =Ä train_data['text'].apply(lambdaÄ x:Ä ''.join(chÄ forÄ chÄ inÄ xÄ ifÄ chÄ no... | true |
5,601 | Data_Transform | split | Write Python code to split the data into training and test sets. | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | true |
5,833 | Data_Transform | correct_missing_values | Write Python code to handle the missing values. | ÄŠÄŠ#Ä FillÄ missingÄ valuesÄ withÄ 0ÄŠtrain_data.fillna(0,Ä inplace=True)ÄŠtest_data.fillna(0,Ä inplace=True)ÄŠ | ÄŠÄŠ#Ä FillÄ missingÄ valuesÄ withÄ 0ÄŠtrain_data.fillna(0,Ä inplace=True)ÄŠtest_data.fillna(0,Ä inplace=True)ÄŠ | true |
4,149 | Data_Transform | prepare_x_and_y | Write Python code to separate the features and the target. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | true |
7,864 | Data_Transform | split | Write Python code to split the data into training and test sets. | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | true |
7,851 | Data_Transform | split | Write Python code to split the data into training and test sets. | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | true |
3,900 | Data_Transform | groupby | Write Python code to group and aggregate the data. | ÄŠÄŠ#Ä GroupÄ andÄ aggregateÄ theÄ dataÄŠÄŠ#Ä GroupÄ byÄ dateÄŠgrouped_dataÄ =Ä data.groupby('Date')ÄŠÄŠ#Ä AggregateÄ theÄ dataÄŠgrouped_data_aggÄ =Ä grouped_data.agg({'ConfirmedCases':Ä 'sum',Ä 'Fatalities':Ä 'sum'})ÄŠÄŠ#Ä ResetÄ theÄ indexÄŠgrouped_data_agg.reset_index(inplace=True)ÄŠÄŠ#Ä RenameÄ theÄ columnsÄŠgrouped_data_agg.columnsÄ =Ä ['Date',Ä 'Confirm... | ÄŠÄŠ#Ä GroupÄ andÄ aggregateÄ theÄ dataÄŠÄŠ#Ä GroupÄ byÄ dateÄŠgrouped_dataÄ =Ä data.groupby('Date')ÄŠÄŠ#Ä AggregateÄ theÄ dataÄŠgrouped_data_aggÄ =Ä grouped_data.agg({'ConfirmedCases':Ä 'sum',Ä 'Fatalities':Ä 'sum'})ÄŠÄŠ#Ä ResetÄ theÄ indexÄŠgrouped_data_agg.reset_index(inplace=True)ÄŠÄŠ#Ä RenameÄ theÄ columnsÄŠgrouped_data_agg.columnsÄ =Ä ['Date',Ä 'Confirm... | true |
3,981 | Data_Transform | rename_columns | Write Python code to rename the columns. | ÄŠÄŠ#Ä CreateÄ aÄ newÄ dataframeÄ withÄ theÄ columnsÄ ofÄ interestÄŠdf_train_selectedÄ =Ä df_train[['datetime',Ä 'count',Ä 'count_1',Ä 'count_2',Ä 'count_3',Ä 'count_4',Ä 'count_5',Ä 'count_6',Ä 'count_7',Ä 'count_8',Ä 'count_9',Ä 'count_10',Ä 'count_11',Ä 'count_12',Ä 'count_13',Ä 'count_14',Ä 'count_15',Ä 'count_16',Ä 'count_17',Ä 'count_18',Ä 'count... | ÄŠÄŠ#Ä CreateÄ aÄ newÄ dataframeÄ withÄ theÄ columnsÄ ofÄ interestÄŠdf_train_selectedÄ =Ä df_train[['datetime',Ä 'count',Ä 'count_1',Ä 'count_2',Ä 'count_3',Ä 'count_4',Ä 'count_5',Ä 'count_6',Ä 'count_7',Ä 'count_8',Ä 'count_9',Ä 'count_10',Ä 'count_11',Ä 'count_12',Ä 'count_13',Ä 'count_14',Ä 'count_15',Ä 'count_16',Ä 'count_17',Ä 'count_18',Ä 'count... | true |
54 | Data_Transform | filter | Write Python code to filter the rows of the data. | ÄŠÄŠ#Ä FilterÄ theÄ rowsÄ ofÄ theÄ dataÄ basedÄ onÄ theÄ conditionÄŠdata_filteredÄ =Ä data[data['Country_Region']Ä ==Ä 'US']ÄŠÄŠ#Ä CheckÄ theÄ filteredÄ dataÄŠdata_filtered.head()ÄŠ | ÄŠÄŠ#Ä FilterÄ theÄ rowsÄ ofÄ theÄ dataÄ basedÄ onÄ theÄ conditionÄŠdata_filteredÄ =Ä data[data['Country_Region']Ä ==Ä 'US']ÄŠÄŠ#Ä CheckÄ theÄ filteredÄ dataÄŠdata_filtered.head()ÄŠ | true |
6,817 | Data_Transform | prepare_x_and_y | Write Python code to separate the features and the target. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | true |
5,249 | Data_Transform | split | Write Python code to split the data into training and test sets. | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | true |
3,955 | Data_Transform | categorify | Write Python code to encode the categorical features. | ÄŠÄŠ#Ä EncodingÄ categoricalÄ featuresÄŠfromÄ sklearn.preprocessingÄ importÄ LabelEncoderÄŠÄŠ#Ä LabelÄ EncodingÄŠleÄ =Ä LabelEncoder()ÄŠÄŠ#Ä CategoricalÄ featuresÄŠcategorical_featuresÄ =Ä ['Gender',Ä 'Married',Ä 'Education',Ä 'Occupation',Ä 'Location',Ä 'Month',Ä 'Country']ÄŠÄŠ#Ä ApplyÄ LabelÄ EncodingÄ toÄ categoricalÄ featuresÄŠforÄ featureÄ inÄ categorica... | ÄŠÄŠ#Ä EncodingÄ categoricalÄ featuresÄŠfromÄ sklearn.preprocessingÄ importÄ LabelEncoderÄŠÄŠ#Ä LabelÄ EncodingÄŠleÄ =Ä LabelEncoder()ÄŠÄŠ#Ä CategoricalÄ featuresÄŠcategorical_featuresÄ =Ä ['Gender',Ä 'Married',Ä 'Education',Ä 'Occupation',Ä 'Location',Ä 'Month',Ä 'Country']ÄŠÄŠ#Ä ApplyÄ LabelÄ EncodingÄ toÄ categoricalÄ featuresÄŠforÄ featureÄ inÄ categorica... | true |
2,481 | Data_Transform | categorify | Write Python code to encode the categorical features. | ÄŠÄŠ#Ä EncodingÄ categoricalÄ featuresÄŠfromÄ sklearn.preprocessingÄ importÄ LabelEncoderÄŠÄŠ#Ä LabelÄ EncodingÄŠleÄ =Ä LabelEncoder()ÄŠÄŠ#Ä CategoricalÄ featuresÄŠcategorical_featuresÄ =Ä ['Gender',Ä 'Married',Ä 'Education',Ä 'Occupation',Ä 'Location',Ä 'Month',Ä 'Country']ÄŠÄŠ#Ä ApplyÄ LabelÄ EncodingÄ toÄ categoricalÄ featuresÄŠforÄ featureÄ inÄ categorica... | ÄŠÄŠ#Ä EncodingÄ categoricalÄ featuresÄŠfromÄ sklearn.preprocessingÄ importÄ LabelEncoderÄŠÄŠ#Ä LabelÄ EncodingÄŠleÄ =Ä LabelEncoder()ÄŠÄŠ#Ä CategoricalÄ featuresÄŠcategorical_featuresÄ =Ä ['Gender',Ä 'Married',Ä 'Education',Ä 'Occupation',Ä 'Location',Ä 'Month',Ä 'Country']ÄŠÄŠ#Ä ApplyÄ LabelÄ EncodingÄ toÄ categoricalÄ featuresÄŠforÄ featureÄ inÄ categorica... | true |
4,932 | Data_Transform | feature_engineering | Write Python code to engineer new features. | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | true |
5,350 | Data_Transform | prepare_x_and_y | Write Python code to separate the features and the target. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | true |
2,616 | Data_Transform | filter | Write Python code to filter the rows of the data. | ÄŠÄŠ#Ä FilterÄ theÄ rowsÄ ofÄ theÄ dataÄ basedÄ onÄ theÄ conditionÄŠ#Ä ForÄ example,Ä ifÄ weÄ wantÄ toÄ filterÄ theÄ rowsÄ whereÄ theÄ 'A'Ä columnÄ isÄ greaterÄ thanÄ 10ÄŠ#Ä dataÄ =Ä data[data['A']Ä >Ä 10]ÄŠÄŠ#Ä FilterÄ theÄ rowsÄ basedÄ onÄ theÄ conditionÄŠdataÄ =Ä data[data['A']Ä >Ä 10]ÄŠ | ÄŠÄŠ#Ä FilterÄ theÄ rowsÄ ofÄ theÄ dataÄ basedÄ onÄ theÄ conditionÄŠ#Ä ForÄ example,Ä ifÄ weÄ wantÄ toÄ filterÄ theÄ rowsÄ whereÄ theÄ 'A'Ä columnÄ isÄ greaterÄ thanÄ 10ÄŠ#Ä dataÄ =Ä data[data['A']Ä >Ä 10]ÄŠÄŠ#Ä FilterÄ theÄ rowsÄ basedÄ onÄ theÄ conditionÄŠdataÄ =Ä data[data['A']Ä >Ä 10]ÄŠ | true |
1,811 | Data_Transform | drop_column | Write Python code to drop the unneeded columns. | ÄŠÄŠ#Ä DropÄ theÄ columnsÄ thatÄ areÄ notÄ neededÄŠtrain_dataÄ =Ä train_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠtest_dataÄ =Ä test_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠ | ÄŠÄŠ#Ä DropÄ theÄ columnsÄ thatÄ areÄ notÄ neededÄŠtrain_dataÄ =Ä train_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠtest_dataÄ =Ä test_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠ | true |
6,927 | Data_Transform | data_type_conversions | Write Python code to convert the column data types. | ÄŠÄŠ#Ä ConvertÄ theÄ columnÄ datatypesÄŠtrain_data['datetime']Ä =Ä pd.to_datetime(train_data['datetime'])ÄŠtrain_data['year']Ä =Ä train_data['datetime'].dt.yearÄŠtrain_data['month']Ä =Ä train_data['datetime'].dt.monthÄŠtrain_data['day']Ä =Ä train_data['datetime'].dt.dayÄŠtrain_data['hour']Ä =Ä train_data['datetime'].dt.hourÄŠtrain_data['wee... | ÄŠÄŠ#Ä ConvertÄ theÄ columnÄ datatypesÄŠtrain_data['datetime']Ä =Ä pd.to_datetime(train_data['datetime'])ÄŠtrain_data['year']Ä =Ä train_data['datetime'].dt.yearÄŠtrain_data['month']Ä =Ä train_data['datetime'].dt.monthÄŠtrain_data['day']Ä =Ä train_data['datetime'].dt.dayÄŠtrain_data['hour']Ä =Ä train_data['datetime'].dt.hourÄŠtrain_data['wee... | true |
3,938 | Data_Transform | data_type_conversions | Write Python code to convert the column data types. | ÄŠÄŠ#Ä ConvertÄ theÄ columnÄ datatypesÄŠtrain_data['datetime']Ä =Ä pd.to_datetime(train_data['datetime'])ÄŠtrain_data['year']Ä =Ä train_data['datetime'].dt.yearÄŠtrain_data['month']Ä =Ä train_data['datetime'].dt.monthÄŠtrain_data['day']Ä =Ä train_data['datetime'].dt.dayÄŠtrain_data['hour']Ä =Ä train_data['datetime'].dt.hourÄŠtrain_data['wee... | ÄŠÄŠ#Ä ConvertÄ theÄ columnÄ datatypesÄŠtrain_data['datetime']Ä =Ä pd.to_datetime(train_data['datetime'])ÄŠtrain_data['year']Ä =Ä train_data['datetime'].dt.yearÄŠtrain_data['month']Ä =Ä train_data['datetime'].dt.monthÄŠtrain_data['day']Ä =Ä train_data['datetime'].dt.dayÄŠtrain_data['hour']Ä =Ä train_data['datetime'].dt.hourÄŠtrain_data['wee... | true |
5,230 | Data_Transform | merge | Write Python code to merge the datasets. | ÄŠÄŠ#Ä ImportingÄ necessaryÄ librariesÄŠimportÄ pandasÄ asÄ pdÄŠimportÄ numpyÄ asÄ npÄŠÄŠ#Ä LoadingÄ theÄ datasetsÄŠtrain_dataÄ =Ä pd.read_csv('../input/train.csv')ÄŠtest_dataÄ =Ä pd.read_csv('../input/test.csv')ÄŠÄŠ#Ä CheckingÄ theÄ shapeÄ ofÄ theÄ datasetsÄŠprint(train_data.shape)ÄŠprint(test_data.shape)ÄŠÄŠ#Ä CheckingÄ theÄ firstÄ 5Ä rowsÄ ofÄ theÄ datasetsÄŠp... | ÄŠÄŠ#Ä ImportingÄ necessaryÄ librariesÄŠimportÄ pandasÄ asÄ pdÄŠimportÄ numpyÄ asÄ npÄŠÄŠ#Ä LoadingÄ theÄ datasetsÄŠtrain_dataÄ =Ä pd.read_csv('../input/train.csv')ÄŠtest_dataÄ =Ä pd.read_csv('../input/test.csv')ÄŠÄŠ#Ä CheckingÄ theÄ shapeÄ ofÄ theÄ datasetsÄŠprint(train_data.shape)ÄŠprint(test_data.shape)ÄŠÄŠ#Ä CheckingÄ theÄ firstÄ 5Ä rowsÄ ofÄ theÄ datasetsÄŠp... | true |
4,222 | Data_Transform | feature_engineering | Write Python code to engineer new features. | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | true |
5,266 | Data_Transform | categorify | Write Python code to encode the categorical features. | ÄŠÄŠ#Ä EncodingÄ categoricalÄ featuresÄŠÄŠ#Ä ConvertÄ categoricalÄ variablesÄ toÄ numericÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#... | ÄŠÄŠ#Ä EncodingÄ categoricalÄ featuresÄŠÄŠ#Ä ConvertÄ categoricalÄ variablesÄ toÄ numericÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#... | true |
4,050 | Data_Transform | feature_engineering | Write Python code to engineer new features. | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | true |
6,331 | Data_Transform | correct_missing_values | Write Python code to handle the missing values. | ÄŠÄŠ#Ä FillÄ missingÄ valuesÄ withÄ 0ÄŠtrain_data.fillna(0,Ä inplace=True)ÄŠtest_data.fillna(0,Ä inplace=True)ÄŠ | ÄŠÄŠ#Ä FillÄ missingÄ valuesÄ withÄ 0ÄŠtrain_data.fillna(0,Ä inplace=True)ÄŠtest_data.fillna(0,Ä inplace=True)ÄŠ | true |
3,954 | Data_Transform | drop_column | Write Python code to drop the unneeded columns. | ÄŠÄŠ#Ä DropÄ theÄ columnsÄ thatÄ areÄ notÄ neededÄŠtrain_dataÄ =Ä train_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠtest_dataÄ =Ä test_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠ | ÄŠÄŠ#Ä DropÄ theÄ columnsÄ thatÄ areÄ notÄ neededÄŠtrain_dataÄ =Ä train_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠtest_dataÄ =Ä test_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠ | true |
1,801 | Data_Transform | merge | Write Python code to merge the datasets. | ÄŠÄŠ#Ä ImportingÄ necessaryÄ librariesÄŠimportÄ pandasÄ asÄ pdÄŠimportÄ numpyÄ asÄ npÄŠÄŠ#Ä LoadingÄ theÄ datasetsÄŠtrain_dataÄ =Ä pd.read_csv('../input/train.csv')ÄŠtest_dataÄ =Ä pd.read_csv('../input/test.csv')ÄŠÄŠ#Ä CheckingÄ theÄ shapeÄ ofÄ theÄ datasetsÄŠprint(train_data.shape)ÄŠprint(test_data.shape)ÄŠÄŠ#Ä CheckingÄ theÄ firstÄ 5Ä rowsÄ ofÄ theÄ datasetsÄŠp... | ÄŠÄŠ#Ä ImportingÄ necessaryÄ librariesÄŠimportÄ pandasÄ asÄ pdÄŠimportÄ numpyÄ asÄ npÄŠÄŠ#Ä LoadingÄ theÄ datasetsÄŠtrain_dataÄ =Ä pd.read_csv('../input/train.csv')ÄŠtest_dataÄ =Ä pd.read_csv('../input/test.csv')ÄŠÄŠ#Ä CheckingÄ theÄ shapeÄ ofÄ theÄ datasetsÄŠprint(train_data.shape)ÄŠprint(test_data.shape)ÄŠÄŠ#Ä CheckingÄ theÄ firstÄ 5Ä rowsÄ ofÄ theÄ datasetsÄŠp... | true |
7,901 | Data_Transform | prepare_x_and_y | Write Python code to separate the features and the target. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | true |
4,258 | Data_Transform | feature_engineering | Write Python code to engineer new features. | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ monthÄŠtrain['month_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.day)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ yearÄŠtrain['year_days']Ä =Ä train['date'].apply(lambdaÄ x:Ä x.year)ÄŠÄŠ#Ä CreateÄ aÄ newÄ featureÄ forÄ theÄ numberÄ ofÄ daysÄ inÄ theÄ quarterÄŠtrain['quarter_days'... | true |
1,113 | Data_Transform | concatenate | Write Python code to concatenate the datasets. | ÄŠÄŠ#Ä ConcatenateÄ theÄ datasetsÄŠtrain_dataÄ =Ä pd.concat([train_data,Ä test_data],Ä axis=0)ÄŠtrain_data.head()ÄŠ | ÄŠÄŠ#Ä ConcatenateÄ theÄ datasetsÄŠtrain_dataÄ =Ä pd.concat([train_data,Ä test_data],Ä axis=0)ÄŠtrain_data.head()ÄŠ | true |
5,486 | Data_Transform | split | Write Python code to split the data into training and test sets. | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | ÄŠÄŠ#Ä SplittingÄ theÄ dataÄ intoÄ trainingÄ andÄ testÄ setsÄŠfromÄ sklearn.model_selectionÄ importÄ train_test_splitÄŠÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠ | true |
4,622 | Data_Transform | prepare_x_and_y | Write Python code to separate the features and the target. | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ featuresÄ andÄ targetÄŠXÄ =Ä df.drop('count',Ä axis=1)ÄŠyÄ =Ä df['count']ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ testingÄ setsÄŠX_train,Ä X_test,Ä y_train,Ä y_testÄ =Ä train_test_split(X,Ä y,Ä test_size=0.2,Ä random_state=42)ÄŠÄŠ#Ä SplitÄ theÄ dataÄ intoÄ trainingÄ andÄ validationÄ setsÄŠX_train,Ä X_val,Ä y_train,Ä y_valÄ =Ä train_t... | true |
2,640 | Data_Transform | categorify | Write Python code to encode the categorical features. | ÄŠÄŠ#Ä EncodingÄ categoricalÄ featuresÄŠfromÄ sklearn.preprocessingÄ importÄ LabelEncoderÄŠÄŠ#Ä LabelÄ EncodingÄŠleÄ =Ä LabelEncoder()ÄŠÄŠ#Ä CategoricalÄ featuresÄŠcategorical_featuresÄ =Ä ['Gender',Ä 'Married',Ä 'Education',Ä 'Occupation',Ä 'Location',Ä 'Month',Ä 'Country']ÄŠÄŠ#Ä ApplyÄ LabelÄ EncodingÄ toÄ categoricalÄ featuresÄŠforÄ featureÄ inÄ categorica... | ÄŠÄŠ#Ä EncodingÄ categoricalÄ featuresÄŠfromÄ sklearn.preprocessingÄ importÄ LabelEncoderÄŠÄŠ#Ä LabelÄ EncodingÄŠleÄ =Ä LabelEncoder()ÄŠÄŠ#Ä CategoricalÄ featuresÄŠcategorical_featuresÄ =Ä ['Gender',Ä 'Married',Ä 'Education',Ä 'Occupation',Ä 'Location',Ä 'Month',Ä 'Country']ÄŠÄŠ#Ä ApplyÄ LabelÄ EncodingÄ toÄ categoricalÄ featuresÄŠforÄ featureÄ inÄ categorica... | true |
6,574 | Data_Transform | drop_column | Write Python code to drop the unneeded columns. | ÄŠÄŠ#Ä DropÄ theÄ columnsÄ thatÄ areÄ notÄ neededÄŠtrain_dataÄ =Ä train_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠtest_dataÄ =Ä test_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠ | ÄŠÄŠ#Ä DropÄ theÄ columnsÄ thatÄ areÄ notÄ neededÄŠtrain_dataÄ =Ä train_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠtest_dataÄ =Ä test_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠ | true |
6,459 | Data_Transform | create_dataframe | Write Python code to create a DataFrame. | ÄŠÄŠ#Ä CreateÄ aÄ DataFrameÄŠdfÄ =Ä pd.DataFrame(data={'A':Ä [1,Ä 2,Ä 3,Ä 4,Ä 5],Ä 'B':Ä [10,Ä 20,Ä 30,Ä 40,Ä 50]})ÄŠprint(df)ÄŠ | ÄŠÄŠ#Ä CreateÄ aÄ DataFrameÄŠdfÄ =Ä pd.DataFrame(data={'A':Ä [1,Ä 2,Ä 3,Ä 4,Ä 5],Ä 'B':Ä [10,Ä 20,Ä 30,Ä 40,Ä 50]})ÄŠprint(df)ÄŠ | true |
153 | Data_Transform | groupby | Write Python code to group and aggregate the data. | ÄŠÄŠ#Ä GroupÄ andÄ aggregateÄ theÄ dataÄŠÄŠ#Ä GroupÄ byÄ dateÄŠgrouped_dataÄ =Ä data.groupby('Date')ÄŠÄŠ#Ä AggregateÄ theÄ dataÄŠgrouped_data_aggÄ =Ä grouped_data.agg({'ConfirmedCases':Ä 'sum',Ä 'Fatalities':Ä 'sum'})ÄŠÄŠ#Ä ResetÄ theÄ indexÄŠgrouped_data_agg.reset_index(inplace=True)ÄŠÄŠ#Ä RenameÄ theÄ columnsÄŠgrouped_data_agg.columnsÄ =Ä ['Date',Ä 'Confirm... | ÄŠÄŠ#Ä GroupÄ andÄ aggregateÄ theÄ dataÄŠÄŠ#Ä GroupÄ byÄ dateÄŠgrouped_dataÄ =Ä data.groupby('Date')ÄŠÄŠ#Ä AggregateÄ theÄ dataÄŠgrouped_data_aggÄ =Ä grouped_data.agg({'ConfirmedCases':Ä 'sum',Ä 'Fatalities':Ä 'sum'})ÄŠÄŠ#Ä ResetÄ theÄ indexÄŠgrouped_data_agg.reset_index(inplace=True)ÄŠÄŠ#Ä RenameÄ theÄ columnsÄŠgrouped_data_agg.columnsÄ =Ä ['Date',Ä 'Confirm... | true |
7,419 | Data_Transform | create_dataframe | Write Python code to create a DataFrame. | ÄŠÄŠ#Ä CreateÄ aÄ DataFrameÄŠdfÄ =Ä pd.DataFrame(data={'A':Ä [1,Ä 2,Ä 3,Ä 4,Ä 5],Ä 'B':Ä [10,Ä 20,Ä 30,Ä 40,Ä 50]})ÄŠprint(df)ÄŠ | ÄŠÄŠ#Ä CreateÄ aÄ DataFrameÄŠdfÄ =Ä pd.DataFrame(data={'A':Ä [1,Ä 2,Ä 3,Ä 4,Ä 5],Ä 'B':Ä [10,Ä 20,Ä 30,Ä 40,Ä 50]})ÄŠprint(df)ÄŠ | true |
815 | Data_Transform | concatenate | Write Python code to concatenate the datasets. | ÄŠÄŠ#Ä ConcatenateÄ theÄ datasetsÄŠtrain_dataÄ =Ä pd.concat([train_data,Ä test_data],Ä axis=0)ÄŠtrain_data.head()ÄŠ | ÄŠÄŠ#Ä ConcatenateÄ theÄ datasetsÄŠtrain_dataÄ =Ä pd.concat([train_data,Ä test_data],Ä axis=0)ÄŠtrain_data.head()ÄŠ | true |
3,597 | Data_Transform | drop_column | Write Python code to drop the unneeded columns. | ÄŠÄŠ#Ä DropÄ theÄ columnsÄ thatÄ areÄ notÄ neededÄŠtrain_dataÄ =Ä train_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠtest_dataÄ =Ä test_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠ | ÄŠÄŠ#Ä DropÄ theÄ columnsÄ thatÄ areÄ notÄ neededÄŠtrain_dataÄ =Ä train_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠtest_dataÄ =Ä test_data.drop(['datetime',Ä 'count'],Ä axis=1)ÄŠ | true |
2,587 | Data_Transform | create_dataframe | Write Python code to create a DataFrame. | ÄŠÄŠ#Ä CreateÄ aÄ DataFrameÄŠdfÄ =Ä pd.DataFrame(data={'A':Ä [1,Ä 2,Ä 3,Ä 4,Ä 5],Ä 'B':Ä [10,Ä 20,Ä 30,Ä 40,Ä 50]})ÄŠprint(df)ÄŠ | ÄŠÄŠ#Ä CreateÄ aÄ DataFrameÄŠdfÄ =Ä pd.DataFrame(data={'A':Ä [1,Ä 2,Ä 3,Ä 4,Ä 5],Ä 'B':Ä [10,Ä 20,Ä 30,Ä 40,Ä 50]})ÄŠprint(df)ÄŠ | true |
7,356 | Data_Transform | create_dataframe | Write Python code to create a DataFrame. | ÄŠÄŠ#Ä CreateÄ aÄ DataFrameÄŠdfÄ =Ä pd.DataFrame(data={'A':Ä [1,Ä 2,Ä 3,Ä 4,Ä 5],Ä 'B':Ä [10,Ä 20,Ä 30,Ä 40,Ä 50]})ÄŠprint(df)ÄŠ | ÄŠÄŠ#Ä CreateÄ aÄ DataFrameÄŠdfÄ =Ä pd.DataFrame(data={'A':Ä [1,Ä 2,Ä 3,Ä 4,Ä 5],Ä 'B':Ä [10,Ä 20,Ä 30,Ä 40,Ä 50]})ÄŠprint(df)ÄŠ | true |
5,022 | Data_Transform | categorify | Write Python code to encode the categorical features. | ÄŠÄŠ#Ä EncodingÄ categoricalÄ featuresÄŠÄŠ#Ä ConvertÄ categoricalÄ variablesÄ toÄ numericÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variabl... | ÄŠÄŠ#Ä EncodingÄ categoricalÄ featuresÄŠÄŠ#Ä ConvertÄ categoricalÄ variablesÄ toÄ numericÄŠÄŠ#Ä One-hotÄ encodingÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variablesÄŠÄŠ#Ä One-hotÄ encodingÄ ofÄ categoricalÄ variabl... | true |
End of preview.
No dataset card yet
- Downloads last month
- 719