Работа администратором соц. сетей за сегодня, без высшего образования, вакансии в Раменском на SuperJob

Сегодня в 9:35

Администратор магазина (Россия, Московская обл, г Раменское, тер автодорога Егорьевское шоссе (село Новохаритоново), д 217)

36 936 — 50 000 ₽/месяц

Добавить в избранное

Пятёрочка

Раменское

Отклик без резюме

Организация работы магазина. Контроль работы сотрудников. Выполнение плана по товарообороту…
Образование не ниже среднего профессионального. Управленческий опыт работы от 0,…
Скидки в магазинах сети. Медицинская страховка (в формате телемедицины)

В компании есть ещё 643 похожие вакансии

Скрыть

Администратор магазина

48 000 — 55 000 ₽/месяц

Добавить в избранное

7

Раменское

Организация работы в выделенном отделе. Аналитика продаж; осуществление заказов. Контроль наличия товара и его остатков
Успешный опыт работы в розничной торговле от 1 года на аналогичной должности

В компании есть ещё 9 похожих вакансий

Скрыть

Администратор магазина Первый выбор (Раменское, Полушкино, Ясная поляна, 105)

55 000 — 65 000 ₽/месяц

Добавить в избранное

Магнит, Розничная сеть

Раменское

Отклик без резюме

Постановка задач персоналу на смену, контроль выполнения. Контроль запасов товаров и их сохранности. Контроль расстановки товаров
Опыт работы от 6 месяцев. Образование не ниже средне-специального

В компании есть ещё 5 похожих вакансий

Скрыть

Разместите резюме, и мы подберем вам подходящие вакансии

Администратор магазина (Россия, Московская обл, г Раменское, село Никулино, д 35)

47 037 — 60 000 ₽/месяц

Добавить в избранное

Пятёрочка

Раменское

Отклик без резюме

Организация работы магазина. Контроль работы сотрудников. Выполнение плана по товарообороту…
Образование не ниже среднего профессионального. Управленческий опыт работы от 0,…
Скидки в магазинах сети. Медицинская страховка (в формате телемедицины)

В компании есть ещё 428 похожих вакансий

Скрыть

Вакансии из соседних городов

Сегодня в 10:18

Администратор торгового зала (старший сотрудник супермаркета)

35 000 — 41 000 ₽/месяц

Добавить в избранное

6. 6

Москва

Отклик без резюме

Контроль оформления торгового зала, полноты выкладки, размещения и обновления товаров. Консультирование покупателей и помощь…
Желание заботиться о клиенте. Грамотная речь и коммуникабельность

В компании есть ещё 23 похожие вакансии

Скрыть

Получайте новые вакансии по вашему запросу

Сегодня в 10:15

Администратор магазина

38 500 — 46 000 ₽/месяц

Добавить в избранное

FIX PRICE

Климовск

Контроль работы грузчиков…
Fix Price — международная сеть магазинов для всей семьи с широким ассортиментом товаров для дома по низким фиксированным ценам приглашает кандидатов на вакансию «Администратор» (Старший Продавец — Кассир) в Климовске

В компании есть ещё 18 похожих вакансий

Скрыть

Сегодня в 10:10

Администратор почтового отделения

от 29 000 ₽/месяц

Добавить в избранное

Почта России

Мытищи

Отклик без резюме

Опыт не нужен

Встреча клиентов, первичное консультирование. Распределение потоков клиентов к соответствующим…
Образование не ниже средне-специального. Знание компьютера и оргтехники
Полная социальная защищенность. Стабильный фиксированный оклад 29.000 руб

В компании есть ещё 2 похожие вакансии

Скрыть

Сегодня в 10:05

Администратор супермаркета (пр. Будённого)

от 62 000 ₽/месяц

Добавить в избранное

6.9

Москва

Шоссе Энтузиастов

Соколиная Гора

Отклик без резюме

Контроль операционной деятельности супермаркета и управление товарным ассортиментом
Образование не ниже средне-специального
«ЛЕНТА», одна из крупнейших федеральных розничных сетей России, приглашает на должность Администратор супермаркета

В компании есть ещё 24 похожие вакансии

Скрыть

Сегодня в 9:30

Администратор в пункт выдачи заказов

45 000 — 50 000 ₽/месяц

Добавить в избранное

6.9

Москва

4 минутыПолежаевская

Опыт не нужен

Консультировать клиента лично и по телефону: сроки доставки, стоимость, местоположение. Принимать и выдавать посылки в офисе
Грамотная речь и четкая дикция. Вы умеете расположить к себе и точно донести мысль

Скрыть

Сегодня в 9:30

Администратор розничного магазина

56 000 — 67 000 ₽/месяц

Добавить в избранное

7.2

Москва

15 минутДобрынинская

12 минутСерпуховская

Азбука вкуса

Контролировать работу в торговом зале — выкладку товара и качество обслуживания покупателей
Работал администратором / зам. директора / директором в сетевых компаниях не менее года. Благодарим за интерес к «Азбуке вкуса»

Скрыть

Сегодня в 9:19

Администратор магазина (Мега Белая Дача)

до 70 000 ₽/месяц

Добавить в избранное

Снежная Королева

Москва

Организовывать эффективную работу магазина
Высокую ориентацию на результат
«СНЕЖНАЯ КОРОЛЕВА» — это лучшая сеть магазинов мехов и верхней одежды, которая включает более 120 магазинов по всей стране и в которой работает более 3500 человек

В компании есть ещё 1 похожая вакансия

Скрыть

Сегодня в 7:51

Администратор медцентра (м. Таганская)

до 60 000 ₽/месяц

Добавить в избранное

7.4

Москва

Работа с клиентами. Выдача медицинских книжек, справок, лабораторных анализов. Работа…
Уверенный пользователь ПК. Знание MS Office, навыки работы с орг.техникой
Спец.цены для сотрудников в сети мед.центров

Скрыть

Сегодня в 7:50

Старший специалист связи

По договорённости

Добавить в избранное

Группа Полюс

Москва

Опыт работы системным/сетевым администратором от 3 лет. Знание пакета приложений MS Office на уровне опытного пользователя
Трудоустройство в соответствии с нормами ТК РФ, социальные гарантии. Конкурентный уровень заработной платы

Скрыть

Сегодня в 5:35

Администратор хостела

до 60 000 ₽/месяц

Добавить в избранное

Гаврилов Иван Андреевич

Москва

Смоленская

Опыт не нужен

Прием и оформление гостей, наведение и поддержание порядка, смена постельного белья, ведение отчетной документации, решение…
Знание ПК, доброжелательность, стрессоустойчивость, грамотная речь, порядочность, опрятный внешний вид

Скрыть

Сегодня в 2:24

Старший администратор

до 28 000 ₽/месяц

Добавить в избранное

Московская государственная консерватория имени П. И. Чайковского

Москва

Старший администратор Студенческого комплекса Консерватории обязан. Контролировать содержание жилых комнат и помещений общего…

Скрыть

Администратор (оператор ЭВМ) приемного отделения

По договорённости

Добавить в избранное

ГБУЗ МО «Долгопрудненская центральная больница»

Москва

Прием и оформление поступающих в приемное отделение пациентов
Опыт работы на компьютере, коммуникабельность, стрессоустойчивость

Скрыть

Администратор

35 000 — 45 000 ₽/месяц

Добавить в избранное

Москва

Крылатское

Молодежная

Опыт не нужен

Прием звонков и запись клиентов. Консультация клиентов по оказываемым услугам лично и по телефону. Создание комфортных условий…
Пунктуальность. Вежливость. Стрессоустойчивость. Опыт обращения с ПК…

Скрыть

Администратор склада

от 61 000 ₽/месяц

Добавить в избранное

Леруа Мерлен Восток

Коммунарка

Отклик без резюме

Доступно для соискателей с ограниченными возможностями

Доступно студентам

Организация сборки и выдачи товара (offline/online заказов). Обеспечивать качественную…
Аналитические способности. Внимательность к деталям и оперативность
Расширенный социальный пакет. Корпоративный транспорт (утренняя, вечерняя доставка…

В компании есть ещё 4 похожие вакансии

Скрыть

Администратор в клуб

50 000 — 70 000 ₽/месяц

Добавить в избранное

КОСМИК — центры развлечений

Москва

Открытие и закрытие смены по чек-листам. Координация и контроль за работой подразделений клуба (ресторан, кухня, технические…
Образование средне-специальное и выше. Опыт работы в ресторанах полного обслуживания…

В компании есть ещё 1 похожая вакансия

Скрыть

Секретарь/администратор

По договорённости

Добавить в избранное

Работа для всех

Москва

Добрынинская

Опыт не нужен

Будьте первым

Ведение социальных сетей компании
Ответственное отношение к работе. Уверенный пользователь MS Office. Грамотная письменная и устная речь. Коммуникабельность…

В компании есть ещё 1 похожая вакансия

Скрыть

Приемщик / Администратор в химчистку (Площадь Ильича)

от 1700 ₽/день

Добавить в избранное

Объединение «Диана»

Москва

Площадь Ильича

Опыт не нужен

Прием, оформление и выдача заказов на приемном пункте. Консультирование клиентов по условиям, акциям, и дополнительным услугам…
Внимательность, ответственность, доброжелательность, стремление к обучению

В компании есть ещё 3 похожие вакансии

Скрыть

Администратор медицинского центра

от 60 000 ₽/месяц

Добавить в избранное

КосМос

Москва

Информирование пациентов об услугах, предоставляемых в клинике, продаваемой космецевтике, их стоимости, специальных предложениях…
Среднее профессиональное / высшее образование. Действующая медицинская…

Скрыть

Администратор медицинской клиники

от 45 000 ₽/месяц

Добавить в избранное

КВМ (Клиника Восстановительная медицина)

Королев

Ответы на телефонные запросы пациентов, консультации по вопросам услуг клиники, запись на прием. Встреча пациентов, координация…
Любовь к людям. Коммуникабельность. Отличное владение русским языком

Скрыть

Разместите резюме, и мы подберем вам подходящие вакансии

Администратор медицинского центра

50 000 — 75 000 ₽/месяц

Добавить в избранное

Сеть медицинских клиник Goldenmed

Видное

Консультирование пациентов по услугам клиники. Работа за ресепшн. Запись пациентов на прием. Расчетно-кассовые операции
Грамотная речь. Вежливость, опрятность. Высокий уровень ответственности

В компании есть ещё 4 похожие вакансии

Скрыть

Администратор стойки информации ТЦ

от 45 000 ₽/месяц

Добавить в избранное

ПИПЛ МЕДИА ПРОДАКШЕН

Москва

Будьте первым

ТОЛЬКО ДЕВУШКИ, приятной внешности, без татуировок, пирсинга на открытых участках тела. Возраст от 21 до 30 лет. Образование…

Скрыть

Администратор торгового зала на АЗС (м. Котельники)

от 45 000 ₽/месяц

Добавить в избранное

Стопэкспресс

Москва

Котельники

Жулебино

Приемка, предпродажная подготовка, выкладка, продажа товара. Помощь управляющему…
Энергичность, ответственность, доброжелательность, позитивность, готовность делиться…
Социальные гарантии (оплачиваемый отпуск 2 раза в год, больничный и т.д.). Оплачиваемое…

В компании есть ещё 1 похожая вакансия

Скрыть

Администратор-контролер КПП

50 000 — 54 000 ₽/вахта 30 дней

Добавить в избранное

GSR РАБОТА

Железнодорожный

Будьте первым

Вахта

Проверка работников по пропускам и транспорта перед проходом (въездом) на территорию. Контроль соблюдения установленных правил…
Качества: вежливость, тактичность, честность, порядочность, открытость

В компании есть ещё 23 похожие вакансии

Скрыть

Администратор отеля

50 000 ₽/месяц

Добавить в избранное

Зона отдыха «Троицкое»

Москва

Обеспечивает работу по эффективному и культурному обслуживанию посетителей, созданию для них комфортных условий. Осуществляет…
Знание программы бронирования для гостиниц. Ответственность, исполнительность…

Скрыть

Продавец-консультант, Администратор в магазин

от 34 000 ₽/месяц

Добавить в избранное

Параватов Никита Андреевич

Фрязино

Опыт не нужен

Будьте первым

Консультирование и обслуживание покупателей. Демонстрация товара. Оказание помощи в выборе товара. Работа на кассе
Уверенный пользователь ПК. Коммуникабельность, ответственность, вежливость

Скрыть

Администратор зала

45 000 — 50 000 ₽/месяц

Добавить в избранное

Балашиха

Регистрация посетителей зала «Комфорт». Работа с контрольно-кассовым оборудованием
Образование средне-профессиональное или высшее. Опыт работы на контрольно-кассовой…
СОЦИАЛЬНЫЙ ПАКЕТ. Медицинское обслуживание в клиниках РЖД, ДМС

В компании есть ещё 2 похожие вакансии

Скрыть

Оператор справочно-координационной службы

от 65 000 ₽/месяц

Добавить в избранное

«Сеть медицинских клиник «ИММА. РУ» («IMMA.RU»)

Москва

Опыт не нужен

Будьте первым

Консультативная помощь администраторам клиник … МИС. Работа с медицинскими информационными системами и эл. почтой сети медицинских клиник
Соц. пакет – льготное медицинское обслуживание сотрудников и членов их семей. Ежегодные премии за стаж работы…

Скрыть

Администратор стоматологической клиники

от 40 000 ₽/месяц

Добавить в избранное

ООО»Свобода»

Москва

Уверенный пользователь ПК, грамотная речь. Опыт работы от 1 года в стоматологии

Скрыть

Администратор в стоматологическую клинику

40 000 — 60 000 ₽/месяц

Добавить в избранное

5.6

Москва

Прием звонков, запись пациентов к врачам по расписанию, обслуживание пациентов в центре, ведение электронной и бумажной документации…
Опыт работы в стоматологии. Приятная внешность , грамотная речь

Скрыть

Бригадир, администратор

50 000 — 70 000 ₽/месяц

Добавить в избранное

Москва

Распределение заданий и участков выполнения уборки между сотрудниками компании. Ведение учета инвентаря, оборудования, моющих…
Опыт работы в аналогичной должности от 1 года. Знать санитарные и гигиенические…

Скрыть

Администратор в стоматологию

от 40 000 ₽/месяц

Добавить в избранное

Киви-Дент

Москва

8 минутКоломенская

Встреча пациентов. Заполнение документации. Обзвон. Работа в базе
Умение работать на компьютере. Стрессоустойчивость. Желание работать

Скрыть

Администратор службы приема и размещения

33 000 — 38 000 ₽/месяц

Добавить в избранное

Москва

Речной вокзал

Отклик без резюме

Опыт не нужен

Будьте первым

Прием и размещение гостей. Оформление документов для регистрации иностранных гостей. Кассовая документация. Прием и распределение…
Грамотная речь. Ответственность. Исполнительность. Дополнительные…

Скрыть

Администратор медицинского центра

42 000 — 65 000 ₽/месяц

Добавить в избранное

Профессорский медицинский центр «Исида»

Мытищи

Работа в программе «Инфодент». Запись на прием и консультирование по услугам клиники пациентов. Сопровождение детей и родителей…
Образование не ниже среднего специального. Знание компьютера и оргтехники

В компании есть ещё 1 похожая вакансия

Скрыть

Администратор стоматологической клиники

50 000 — 70 000 ₽/месяц

Добавить в избранное

Дентал Студио

Москва

Опыт не нужен

Работа в специализированной программе с клиентской базой. Координирование записи пациентов к специалистам. Встреча и размещение…
Умение мотивировать пациентов на запись к специалистам клиники

Скрыть

Администратор магазина

от 55 000 ₽/месяц

Добавить в избранное

Гаврюшина Анна Анатольевна

Москва

Управление персоналом: мотивация, обучение персонала, постановка задач и контроль…
Наличие опыта продаж от 3 лет на одном рабочем месте
Социальный пакет (ДМС со стоматологией после прохождения испытательного срока). Мы…

Скрыть

Администратор-кассир медицинского центра

от 45 000 ₽/месяц

Добавить в избранное

Москва

7 минутКоломенская

Опыт не нужен

Запись на прием пациентов
Уверенный пользователь ПК. Грамотная речь. Умение работать с кассовым аппаратом

В компании есть ещё 1 похожая вакансия

Скрыть

Домашнее задание-2

Некоторые определяют статистику как область, которая фокусируется на токарной обработке. информацию в знания. Первым шагом в этом процессе является обобщать и описывать необработанную информацию – данные. В этом домашнем задании мы изучим рейсы, в частности, случайную выборку внутренних рейсов, вылетавших из трех крупных аэропортов Нью-Йорка в 2013. Мы будем генерировать простые графические и числовые сводки данных на этих рейсах и узнать время задержки. Поскольку это большой набор данных, попутно вы также освоите необходимые навыки работы с данными обработка и поднастройка.

 библиотека(tidyverse)
library(openintro) 

Набор данных nycflights13 представляет собой набор данных, относящихся к разные авиакомпании летают из разных аэропортов Нью-Йорка (Нью-Йорк), а также захват информации о полете, самолете и погоде во время 2013 года. Данные были собраны в эти пять различных ветви. Этот метод сбора данных помогает нам работать над отдельными аспекты всего большого набора данных, а также мы можем объединить вместе несколько аспектов для проведения сложного анализа данных. Есть и 3-4 версии базы данных набора данных nycflights, которые кэшируют данные из база данных nycflights в локальной базе данных, что помогает объединять таблицы на естественные ключи эффективно. Источником набора данных о рейсах является BTS Bureau. транспортной статистики.

Для начала взглянем на данные.

• Без выхода

 nycflights 

• С выходом

При просмотре выходных данных набор данных ( кадр данных R имя) содержат 16 столбцов и 32 735 строк 32 735 х 16 .

 nycflights 

 ## # Таблица: 32 735 x 16
## год месяц день dep_time dep_delay arr_time arr_delay перевозчик tailnum
## 
         
## 1 2013 6 30 940 15 1216 -4 ВХ Н626ВА
## 2 2013 5 7 1657 -3 2104 10 DL N3760C
## 3 2013 12 8 859 -1 1238 11 ДЛ N712TW
## 4 2013 5 14 1841 -4 2122 -34 DL N914DL
## 5 2013 7 21 1102 -3 1230 -8 9E N823AY
## 6 2013 1 1 1817 -3 2008 3 АА N3AXAA
## 7 2013 12 9 1259 14 1617 22 WN N218WN
## 8 2013 8 13 1920 85 2032 71 Б6 Н284ДЖБ
## 9 2013 9 26 725 -10 1027 -8 АА N3FSAA
## 10 2013 4 30 1323 62 1549 60 ЭВ N12163
## # ... с еще 32 725 строками и еще 7 переменными: Flight , origin ,
## # dest , air_time , Distance , hour , minute  

Для просмотра имен переменных введите команду

 name(nycflights) 

 ## [1] "год" "месяц" "день" "время_отгрузки" "время_задержки" "время_прибытия"
## [7] "arr_delay" "carrier" "tailnum" "flight" "origin" "dest"
## [13] "air_time" "расстояние" "час" "минута" 

Возвращает имена переменных в этом фрейме данных. кодовая книга (описание переменных) доступна открыв файл справки:

 ?nycflights 

Одна из переменных относится к перевозчику (то есть авиакомпании) рейс, который кодируется по следующей системе.

См. авиакомпании в пакете nycflights13 для получения дополнительной информации или Google код авиакомпании.

Мы также можем проверить размеры этого фрейма данных, а также имена переменных, тип переменных и первые несколько наблюдений вставив имя набора данных в glimpse() как показано ниже:

 glimpse(nycflights) 

 ## Строки: 32 735
## Столбцы: 16
## $ year  2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, ~
## $ месяц  6, 5, 12, 5, 7, 1, 12, 8, 9, 4, 6, 11, 4, 3, 10, 1, 2, 8, 10~
## $ день 
  30, 7, 8, 14, 21, 1, 9, 13, 26, 30, 17, 22, 26, 25, 21, 23, ~
## $ dep_time  940, 1657, 859, 1841, 1102, 1817, 1259, 1920, 725, 1323, 940~
## $ dep_delay  15, -3, -1, -4, -3, -3, 14, 85, -10, 62, 5, 5, -2, 115, -4, ~
## $ arr_time  1216, 2104, 1238, 2122, 1230, 2008, 1617, 2032, 1027, 1549, ~
## $ arr_delay  -4, 10, 11, -34, -8, 3, 22, 71, -8, 60, -4, -2, 22, 91, -6, ~
## $ Carrier  "VX", "DL", "DL", "DL", "9E", "AA", "WN", "B6", "AA", "EV", ~
## $ tailnum  "N626VA", "N3760C", "N712TW", "N914DL", "N823AY", "N3AXAA", ~
## $ рейс  407, 329, 422, 2391, 3652, 353, 1428, 1407, 2279, 4162, 20, ~
## $ origin  "JFK", "JFK", "JFK", "JFK", "LGA", "LGA", "EWR", "JFK", "LGA~
## $ dest  "LAX", "SJU", "LAX", "TPA", "ORF", "ORD", "HOU", "IAD", "MIA~
## $ air_time  313, 216, 376, 135, 50, 138, 240, 48, 148, 110, 50, 161, 87,~
## $ расстояние  2475, 1598, 2475, 1005, 296, 733, 1411, 228, 1096, 820, 264,~
## $ час  9, 16, 8, 18, 11, 18, 12, 19, 7, 13, 9, 13, 8, 20, 12, 20, 6~
## $ minute   40, 57, 59, 41, 2, 17, 59, 20, 25, 23, 40, 20, 9, 54, 17, 24~ 

Задержка отправления

Начнем с изучения распределение задержек отправления всех полеты с гистограммой.

 ggplot(data = nycflights, aes(x = dep_delay)) +
  geom_histogram() 

Эта функция говорит построить dep_delay переменная от кадр данных nycflights на оси X. Он также определяет geom (сокращение от геометрического объекта), который описывает тип участка вы будете производить.

Гистограммы, как правило, очень хороший способ увидеть форму одного распределения числовых данных, но эта форма может меняться в зависимости от как данные распределяются между разными бинами.

Мы можем легко определить ширину бина , как мы хотим использовать:

 ggplot(data = nycflights, aes(x = dep_delay)) +
  geom_histogram (ширина ячейки = 30) 

Давайте попробуем с большей шириной бина

 ggplot(data = nycflights, aes(x = dep_delay)) +
  geom_histogram(binwidth = 150) 

Упражнение-1

Посмотрите внимательно на эти три гистограммы. Как они сравниваются? Являются черты, открытые в одном, скрыты в другом?

Ответ-1:

Меньшая ширина ячейки предоставить более подробную информацию — самая большая ширина бина скрывает любую полезную информацию.

Мы замечаем, что чем меньше ширина бина , тем лучше деталь есть. Вторая гистограмма имеет наименьший binwidth , поэтому он отображает данные более подробно. третья гистограмма имеет наибольшую ширину

Если вы хотите визуализировать только задержки рейсов в Лос-Анджелес Анджелес, вам нужно сначала отфильтровать данные по рейсам с этот пункт назначения ( dest == "LAX" ), а затем сделать гистограмму задержек вылета только этих рейсов.

 lax_flights <- nycflights %>%
  фильтр (назначение == "LAX")
ggplot (данные = lax_flights, aes (x = dep_delay)) +
  geom_histogram() 

Давайте расшифруем эти две команды (хорошо, это может выглядеть как четыре строки, но первые две физические строки кода на самом деле являются частью та же команда.

• Команда 1: Возьмите кадр данных nycflights , отфильтруйте для рейсов, направляющихся в Лос-Анджелес, и сохраните результат как новый фрейм данных с именем lax_flights .

  • == означает «если равно».
  • LAX заключен в кавычки, так как это символ нить.

• Команда 2: в основном тот же вызов ggplot, что и ранее для создания гистограмма, за исключением того, что она использует меньший фрейм данных для полетов направился в Лос-Анджелес вместо всех рейсов.

Логические операторы: Фильтрация определенных наблюдения (например, полеты из определенного аэропорта) часто интерес к фреймам данных, где мы могли бы захотеть изучить наблюдения с отдельные характеристики отдельно от остальных данных. Для этого вы можете использовать функцию фильтра и серию логических операторов.

• == означает «равно»
• != означает «не равно»
• > или < означает «больше» или «меньше». чем»
• >= или <= означает «больше или равно» или «меньше или равно»

Мы также можем получить сводные данные по этим рейсам:

 lax_flights %>%
  суммировать (mean_dd = среднее (dep_delay),
            median_dd = медиана (dep_delay),
            п= п()) 

 ## # Таблица: 1 x 3
## mean_dd median_dd n
## 
   
## 1 9.78 -1 1583 

Обратите внимание, что в функции summary мы создали список три различных числовых сводки, которые нас интересовали. имена этих элементов определяются пользователем, например, mean_dd , median_dd , n , и мы можем настроить эти имена как нам нравится (только не используйте пробелы в своих именах). Расчет этих сводная статистика также требует, чтобы мы знали вызовы функций. Примечание что n() сообщает размер выборки.

Сводная статистика: Некоторые полезные вызовы функций для сводная статистика для одной числовой переменной выглядит следующим образом:

• среднее
• медиана
• сд
• вар
• ИКР
• мин
• макс.

Обратите внимание, что каждая из этих функций принимает один вектор в качестве аргумент и возвращает одно значение.

Мы также можем фильтровать по нескольким критериям. Предположим, вы интересует рейсы в Сан-Франциско (SFO) в феврале:

 sfo_feb_flights <- nycflights %>%
  filter(dest == "SFO", month == 2) 

Обратите внимание, что вы можете разделить условия запятыми, если хотите рейсы, которые оба направляются в SFO и в феврале. Если вас интересуют рейсы с направлением SFO или в феврале вы можете использовать | вместо запятой.

Упражнение-2

Создайте новый фрейм данных, включающий рейсы, направляющиеся в SFO в Февраль и сохраните этот фрейм данных как sfo_feb_flights . Как многие рейсы соответствуют этим критериям?

Ответ-2:

 sfo_feb_flights <- nycflights %>%
  фильтр (назначение == "SFO", месяц == 2)
glimpse(sfo_feb_flights) 

 ## Строки: 68
## Столбцы: 16
## $ year  2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, ~
## $ месяц  2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, ~
## $ день  18, 3, 15, 18, 24, 25, 7, 15, 13, 8, 11, 13, 25, 20, 12, 27,~
## $ dep_time  1527, 613, 955, 1928, 1340, 1415, 1032, 1805, 1056, 656, 191~
## $ dep_delay  57, 14, -5, 15, 2, -10, 1, 20, -4, -4, 40, -2, -1, -6, -7, 2~
## $ arr_time  1903, 1008, 1313, 2239, 1644, 1737, 1352, 2122, 1412, 1039, ~
## $ arr_delay  48, 38, -28, -6, -21, -13, -10, 2, -13, -6, 2, -5, -30, -22,~
## $ Carrier  "DL", "UA", "DL", "UA", "UA", "UA", "B6", "AA", "UA", "DL", ~
## $ tailnum  "N711ZX", "N502UA", "N717TW", "N24212", "N76269"", "N532UA", ~
## $ рейс  1322, 691, 1765, 1214, 1111, 394, 641, 177, 642, 1865, 272, ~
## $ origin  "JFK", "JFK", "JFK", "EWR", "EWR", "JFK", "JFK", "JFK", "JFK~
## $ dest  "SFO", "SFO", "SFO", "SFO", "SFO", "SFO", "SFO", "SFO", "SFO~
## $ air_time  358, 367, 338, 353, 341, 355, 359, 338, 347, 361, 332, 351, ~
## $ Distance  2586, 2586, 2586, 2565, 2565, 2586, 2586, 2586, 2586, 2586, ~
## $ час  15, 6, 9, 19, 13, 14, 10, 18, 10, 6, 19, 8, 10, 18, 7, 17, 1~
## $ minute  27, 13, 55, 28, 40, 15, 32, 5, 56, 56, 10, 33, 48, 49, 23, 2~ 

Всего в феврале в SFO было отправлено 68 рейсов .

Упражнение-3

Описать распределение прибытия задержек эти полеты с использованием гистограммы и соответствующей сводной статистики. Подсказка: Используемая сводная статистика должна зависеть от форма распределения.

Ответ-3:

 ggplot(data = sfo_feb_flights, aes(x = arr_delay)) +
  geom_histogram(binwidth=10) 

Гистограмма скошена вправо, поэтому стандартное отклонение не будет точно отображать распределение данных. IQR с другой стороны, описывает, как средние 50% данных распределяется около медианы. Оба значения можно найти ниже.

 sfo_feb_flights %>%
  summarise(mean_ad = mean(arr_delay), median_ad = median(arr_delay), iqr_ad = IQR(arr_delay), n_flights = n()) 

 ## # Таблица: 1 x 4
## mean_ad median_ad iqr_ad n_flights
##    
## 1 -4,5 -11 23,2 68 

Еще одним полезным методом является быстрый расчет сводной статистики. для различных групп в нашем фрейме данных. Например, мы можем изменить команду выше, используя функцию group_by , чтобы получить то же самое сводная статистика для каждого аэропорта отправления:

 sfo_feb_flights %>%
  group_by(происхождение) %>%
  summarise(median_dd = median(dep_delay), iqr_dd = IQR(dep_delay), n_flights = n()) 

 ## # Таблица: 2 x 4
## происхождение median_dd iqr_dd n_flights
##    
## 1 ЭВР 0,5 5,75 8
## 2 JFK -2.5 15.2 60 

Здесь мы сначала сгруппировали данные по происхождению , а затем рассчитал сводную статистику .

Упражнение-4

Рассчитайте медиану и межквартильный размах для arr_delays рейсов в sfo_feb_flights кадр данных, сгруппированный по перевозчику. Который у перевозчика самая изменчивая задержка прибытия?

Ответ-4:

 sfo_feb_flights %>%
  group_by(перевозчик) %>%
  summarise(median_ad = median(arr_delay), iqr_ad = IQR(arr_delay), n_flights = n()) 

 ## # Набор символов: 5 x 4
## перевозчик median_ad iqr_ad n_flights
##    
## 1 АА 5 17,5 10
## 2 В6 -10,5 12,2 6
## 3 ДЛ -15 22 19## 4 УА -10 22 21
## 5 VX -22,5 21,2 12 

Перевозчики DL и UA связаны между собой из-за наиболее изменчивого прибытия задержки, потому что их межквартильные диапазоны привязаны к самому высокому в 22. 00. Это говорит о том, что они демонстрируют наибольшую вариацию в прибытии. задержки для средних 50% их данных.

Задержки отправлений по месяцам

В каком месяце ожидается наибольшая средняя задержка вылет из аэропорта Нью-Йорка?

Давайте подумаем, как мы могли бы ответить на этот вопрос:

• Сначала рассчитаем среднемесячные значения задержек отправлений. С новый язык, который мы изучаем, мы могли бы

  • группа_по месяцам, затем
  • обобщает средние задержки отправления.

• Тогда можно было бы упорядочить эти средние задержки по убыванию заказ

 nycрейсы %>%
  group_by(месяц) %>%
  суммировать (mean_dd = среднее (dep_delay)) %>%
  упорядочить (описание (mean_dd)) 

 ## # Таблица: 12 x 2
## месяц mean_dd
## <целое> 
## 1 7 20,8
## 2 6 20,4
## 3 12 17,4
## 4 4 14,6
## 5 3 13,5
## 6 5 13,3
## 7 8 12,6
## 8 2 10,7
## 9 1 10,2
## 10 9 6,87
## 11 11 6. 10
## 12 10 5.88 

Упражнение 5

Предположим, вам очень не нравятся задержки отправления и вы хотите запланировать ваше путешествие за месяц, что сводит к минимуму вашу потенциальную задержку вылета покидая Нью-Йорк. Один из вариантов — выбрать месяц с наименьшим средним значением. задержка вылета. Другой вариант — выбрать месяц с наименьшим средняя задержка отправления. Каковы плюсы и минусы этих двух выбор?

Ответ-5:

Mean Pro: представляет собой общую среднюю задержку отправления с учетом учитывать эффект каждой задержки и давать представление о том, как данные распределяются. Против: это может быть искажено выбросами.

Median Pro: принимает среднее значение всего набора данных, поэтому выбросы не искажают медиану. Против: он не может представить, как данные распространяется.

Скорость отправления вовремя для аэропортов Нью-Йорка

Предположим, мы вылетаем из Нью-Йорка и хотим знать, какой из три крупных аэропорта Нью-Йорка имеют лучший показатель своевременности отправления вылетающие рейсы. Также предполагается, что для нас рейс, который задерживается менее 5 минут в основном «вовремя». задерживается на 5 минут или более «задерживается».

Для того, чтобы определить, в каком аэропорту лучшее время вылета скорости, мы можем

• сначала классифицировать каждый рейс как «вовремя» или «задержка»,
• , затем сгруппируйте рейсы по аэропорту отправления,
• , затем рассчитайте скорость вылета по времени для каждого аэропорта отправления,
• и, наконец, расположите аэропорты в порядке убывания времени процент выезда.

Начнем с классификации каждого рейса как «выполненного вовремя» или «задержанного» на создание новой переменной с помощью функции mutate.

 nycflights <- nycflights %>%
  mutate (dep_type = ifelse (dep_delay < 5, «вовремя», «с задержкой»))

nycflights %>%
  group_by(происхождение) %>%
  summarise(ot_dep_rate = sum(dep_type == "вовремя") / n()) %>%
  упорядочить (описание (ot_dep_rate)) 

 ## # Тиббл: 3 x 2
## происхождение ot_dep_rate
##  
## 1 LGA 0,728
## 2 Кеннеди 0,694
## 3 EWR 0. 637 

Первым аргументом функции mutate является имя новая переменная, которую мы хотим создать, в данном случае dep_type . Тогда, если dep_delay < 5 , мы классифицируем рейс как "вовремя" и "с задержкой" если нет, т.е. рейс задерживается на 5 и более минут.

Обратите внимание, что мы также перезаписываем фрейм данных nycflights с помощью новая версия этого фрейма данных, которая включает новый dep_type переменная.

Мы можем обработать все оставшиеся шаги в одном куске кода:

 nycflights %>%
  group_by(происхождение) %>%
  summarise(ot_dep_rate = sum(dep_type == "вовремя") / n()) %>%
  организовать(desc(ot_dep_rate)) 

 ## # Набор символов: 3 x 2
## происхождение ot_dep_rate
##  
## 1 LGA 0,728
## 2 Кеннеди 0,694
## 3 EWR 0,637 

Упражнение 6

Если бы вы выбирали аэропорт просто на основе времени вылета процент, из какого аэропорта Нью-Йорка вы бы вылетели?

Ответ-6:

 ggplot(data = nycflights, aes(x = origin, fill = dep_type)) +
  geom_bar() 

LGA имеет лучший процент времени отправления 72,8%. Так же сегментированная гистограмма ниже показывает, что LGA имеет наилучшую пропорцию рейсы вылетают вовремя. Так что я бы выбрал LGA.

Упражнение 7

Измените фрейм данных, чтобы он включал новую переменную, которая содержит среднюю скорость, avg_speed пройденную самолетом за каждый полет (в милях в час). Подсказка: Средняя скорость может быть рассчитывается как расстояние, деленное на количество часов в пути, и обратите внимание что «эфирное время» указано в минутах.

Ответ-7:

 nycflights <- nycflights %>%
  мутировать (средняя_скорость = 60 * (расстояние / воздушное_время))

проблеск (nycflights) 

 ## Строки: 32 735
## Столбцы: 18
## $ year  2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, ~
## $ месяц  6, 5, 12, 5, 7, 1, 12, 8, 9, 4, 6, 11, 4, 3, 10, 1, 2, 8, 10~
## $ день  30, 7, 8, 14, 21, 1, 9, 13, 26, 30, 17, 22, 26, 25, 21, 23, ~
## $ dep_time  940, 1657, 859, 1841, 1102, 1817, 1259, 1920, 725, 1323, 940~
## $ dep_delay  15, -3, -1, -4, -3, -3, 14, 85, -10, 62, 5, 5, -2, 115, -4, ~
## $ arr_time  1216, 2104, 1238, 2122, 1230, 2008, 1617, 2032, 1027, 1549, ~
## $ arr_delay  -4, 10, 11, -34, -8, 3, 22, 71, -8, 60, -4, -2, 22, 91, -6, ~
## $ Carrier  "VX", "DL", "DL", "DL", "9E", "AA", "WN", "B6", "AA", "EV", ~
## $ tailnum  "N626VA", "N3760C", "N712TW", "N914DL", "N823AY", "N3AXAA", ~
## $ рейс  407, 329, 422, 2391, 3652, 353, 1428, 1407, 2279, 4162, 20, ~
## $ origin  "JFK", "JFK", "JFK", "JFK", "LGA", "LGA", "EWR", "JFK", "LGA~
## $ dest  "LAX", "SJU", "LAX", "TPA", "ORF", "ORD", "HOU", "IAD", "MIA~
## $ air_time  313, 216, 376, 135, 50, 138, 240, 48, 148, 110, 50, 161, 87,~
## $ расстояние  2475, 1598, 2475, 1005, 296, 733, 1411, 228, 1096, 820, 264,~
## $ час  9, 16, 8, 18, 11, 18, 12, 19, 7, 13, 9, 13, 8, 20, 12, 20, 6~
## $ minute  40, 57, 59, 41, 2, 17, 59, 20, 25, 23, 40, 20, 9, 54, 17, 24~
## $ dep_type  "с задержкой", "вовремя", "вовремя", "вовремя", "вовремя", "на t~
## $ avg_speed  474. 4409, 443.8889, 394.9468, 446.6667, 355.2000, 318.6957, ~ 

Упражнение 8

Постройте диаграмму рассеяния avg_speed против расстояния . Опишите взаимосвязь между средним скорость и расстояние. Подсказка: Использовать геом_точка() .

Ответ-8:

 ggplot(data = nycflights, aes(x = расстояние, y = avg_speed)) + geom_point() 

Диапазон скоростей немного увеличивается с расстоянием. Причина может быть что при более длинных дистанциях время старта и посадки не считается так тяжелый, как на коротких дистанциях. Есть один исключительно быстрый полет от Ла Гуардиа до Атланты. Очень дальние расстояния полета (точки на расстояние 5.000 миль) из Нью-Йорка в Гонолулу (HNL), кратчайший путь до Филадельфии (PHL).

Упражнение 9

Воспроизведите следующий график. Подсказка: построен только фрейм данных. содержит рейсы авиакомпаний American Airlines, Delta Airlines и United Airlines. Авиакомпании, а точки colore d by носитель . Как только вы воспроизведете сюжет, определите (примерно) какова точка отсечки для задержек вылета, когда вы все еще можете ожидать чтобы добраться до места назначения вовремя.

Ответ-9:

 nycflights_3carriers <- nycflights %>%
  filter(перевозчик == "AA" | перевозчик == "DL" | перевозчик == "UA")
ggplot(data = nycflights_3carriers, aes(x = dep_delay, y = arr_delay, color= Carrier)) + geom_point() 

Исходя из диаграммы рассеяния выше, точка отсечки для отправления задержки, вы все еще можете РАЗУМНО ожидать прибытия в пункт назначения время немного опережает график, примерно первые пять минут до время отправления. Мы видим, что при 60-минутном опоздании на вылет еще можно было прибыть в пункт назначения вовремя, но это невероятно редкий. Это также необычно для рейсов, вылетающих между 0 и опоздание на 60 минут. Даже большинство рейсов, вылетающих вовремя, прибывают поздно для этих трех перевозчиков. Только уйдя пораньше, вы можете рассчитывать на прибывают вовремя, и разумное ограничение для этого, кажется, составляет около пяти минут до запланированного взлета.

Это домашнее задание касается данных о полетах авиакомпаний из разных аэропортов. в Нью-Йорке (NYC). Мы видим несколько гистограмм задержки вылета время с разной шириной бина для извлечения большого количества информации. Мы замечаем, что чем меньше ширина ячейки, тем мельче детализация. В то время как мы видим гистограмма задержанного прибытия, проверьте распределение со сводкой статистика для другого оператора. Перевозчики DL и UA привязаны к имеют самую изменчивую задержку прибытия, потому что их межквартильные диапазоны привязаны к максимуму в 22.00. Мы попытались визуализировать связь между средней скоростью авиакомпаний и расстоянием. Скорость дальность немного увеличивается с расстоянием.

Изучение Python Data Analytics на примере — Задержки прибытия авиакомпаний | by Nick Cox

Увлекательный проект и подробное пошаговое руководство по анализу данных, которое поможет вам изучить Python, pandas, matplotlib и Basemap 2021

Работая над получением степени магистра бизнес-аналитики, я обнаружил, что обучение на примерах — лучший способ научиться анализу данных Python. Получить набор данных и набор задач по кодированию гораздо полезнее, чем читать учебник или слушать профессора.

Я хочу поделиться этим методом обучения с теми, кому он тоже будет полезен. Все, что вам нужно, — это среда разработки Python (я рекомендую Jupyter Notebook) и желание учиться и получать удовольствие.

В эту статью включен список задач по анализу данных, за которым следует подробное пошаговое руководство по выполнению задач. Пожалуйста, попробуйте выполнить задания самостоятельно, прежде чем читать пошаговое руководство — так вы получите больше пользы. Имейте в виду, что существует множество способов решения проблем с кодированием, поэтому ваш код, скорее всего, не будет соответствовать моему дословно, и это нормально.

Пожалуйста, также ознакомьтесь: Изучите Python Data Analytics на примере: NYC Parking Violations

Для этого проекта мы будем использовать набор данных из примерно 40 000 записей, которые представляют задержки прибытия рейсов 18 авиакомпаний в США. Каждая строка в наборе данных представляет собой сводку данных о задержках для пары перевозчик-аэропорт за указанный месяц. Набор данных был создан в январе 2021 года и содержит данные за период с 1 января 2018 года по 31 декабря 2019 года, полученные от Бюро транспортной статистики.

Вам нужно будет установить библиотеки pandas, matplotlib и Basemap, если у вас их еще нет.

Выполните следующие задачи в Python, используя наборы данных delays_2018.csv , delays_2019.csv и airport_coordinates.csv , доступные в репозитории GitHub.

1. Считайте файлы CSV, содержащие данные о задержке авиакомпании, в один кадр данных. Затем отобразите общее количество импортированных строк.
2. Изменить дату 9Столбец 0488 до даты в формате ГГГГ-М (например, 2018–1). Затем выполните исследовательский анализ данных в импортированном наборе данных, чтобы выявить недопустимые данные — напишите код для удаления затронутых строк. Наконец, отобразите количество оставшихся строк.
3. Показать список всех аэропортов Теннесси, которые появляются в наборе данных.
4. Импортируйте набор данных координат и объедините его с существующим набором данных. Нанесите на карту координаты всех аэропортов (подсказка: используйте Matplotlib и Basemap).
5. Показать количество измененных рейсов для каждой пары перевозчик-аэропорт.
6. Показать, сколько прибывших в JFK в 2019 г. столкнулись с задержкой как из-за погодных условий, так и из-за перевозчика.
7. Показать авиалинию с наибольшим количеством отмен рейсов в процентах от общего числа прибывающих рейсов.
8. Определите общее среднее количество задержек в аэропорту.
9. Показать трех перевозчиков с наименьшим количеством задержанных рейсов.
10. Запросить пользователя ввести авиакомпанию. Затем нанесите ежемесячное количество минут задержки национальной воздушной системы (NAS) для этой авиакомпании. Отображение увеличения или уменьшения тенденции за последние 2 месяца.

Каждая строка в наборах данных представляет сводку данных о задержках для пары перевозчик-аэропорт за указанный месяц. Например, строка может представлять данные о задержке рейсов American Airlines, прибывающих в аэропорт имени Джона Кеннеди в Нью-Йорке, за май 2018 года.

Если одному задержанному рейсу назначено несколько причин, каждая причина оценивается пропорционально количеству задержек в минутах, за которое она отвечает. Цифры округлены и могут не совпадать с общей суммой.

 Количество строк: 41177 

 import pandas as pd 

 df_18 = pd.read_csv('delays_2018.csv') 
 df_19 = pd.read_csv('delays_2019.csv') 

 df = pd.concat([df_18, df_19], ignore_index=True) 

 print('Number of Rows: ' + str(len(df))) 

 Количество строк: 41077 

 df['date'] = pd.to_datetime(df['date'], format='%Y-%m').dt.strftime('%Y-%m') 

 df = df[(df['date'] >= '2018-01') & (df['date'] <= '2019-12') & (df['arr_flights'].notnull()) 
 & (df['carrier'].notnull()) & (df['carrier_name'].notnull()) 
 & (df['airport'].notnull()) & (df['airport_name']. notnull())] 

 print('Number of Rows: ' + str(len(df))) 

 Аэропорты Теннесси: 
 {'Чаттануга, Теннесси: Ловелл Филд', 'Мемфис, Теннесси: Мемфис Интернэшнл', 'Бристоль/Джонсон-Сити/ Кингспорт, Теннесси: Три Города», «Нэшвилл, Теннесси: Нэшвилл Интернэшнл», «Ноксвилл, Теннесси: МакГи Тайсон»} 

 df['TN'] = df['airport_name'].apply(lambda x: x.find('TN')) 

 airports = set(df[df['TN'] != -1]['airport_name']) 

 print('Аэропорты Теннесси:') 
 print(аэропорты) 

 df_coords = pd.read_csv('airport_coordinates.csv') 

 df_airports = df[['airport', 'airport_name']].drop_duplicates().reset_index(drop=True) 

 df_airports = pd.merge(df_airports, df_coords, on='airport') 

 import os 
 os.environ["PROJ_LIB"] = "C:\\Users\\Nick\\anaconda3\\envs\\sandbox\\Library\\share\\basemap"; 

 импортировать matplotlib.pyplot как plt 
 из mpl_toolkits.basemap import Basemap 

 fig = plt.figure(figsize=(16, 16)) 
 m = Basemap(llcrnrlon=-119,llcrnrlat=22,urcrnrlon=-64,urcrnrlat=49, 
 проекция='lcc',lat_1=32, lat_2=45,lon_0=-95) 

 m.readshapefile('st99_d00', name='states') 

 m.scatter(df_airports['long'].values, df_airports['lat'].values, latlon=True) 
 plt.show() 

 pd.crosstab(df['перевозчик'], df['аэропорт'], values=df['arr_diverted'], aggfunc='sum').fillna('') 

 Количество задержек: 6919.429999999999 

 df_f = df[(df['date'] >= '2019-01') & (df['date'] <= '2019-12') & (df['airport'] == 'JFK') 
 & (df['carrier_ct'] > 0) & (df['weather_ct'] > 0)] 

 print("Количество задержек: " + str(df_f['carrier_ct'].sum() + df_f['weather_ct'].sum())) 

 df_flights = df.groupby('carrier_name')['arr_flights'].sum().reset_index(name='num_arrived') 
 df_cancelled = df.groupby('carrier_name')['arr_cancelled'].sum() .reset_index(name='num_cancelled') 
 df_cancelled = pd.merge(df_cancelled, df_flights, on='carrier_name') 

 df_cancelled['proportion'] = df_cancelled['num_cancelled'] / df_cancelled['num_arrived'] * 100 

 df_cancelled.sort_values(by=['proportion'], по возрастанию=False).head(1) 

 Среднее количество задержек на аэропорт: 7544,997245179064 

 avg_delays = df.groupby('airport')['arr_del15'].sum().mean() 

 print('Среднее количество задержек в аэропорту: ' + str(avg_delays)) 

 df.groupby('carrier')['arr_del15'].sum().nsmallest(3).reset_index(name='num_delays') 

 Какая авиакомпания (9E, AA, AS, B6, DL, EV, F9, G4, HA, MQ, NK, OH, OO, UA, VX, WN, YV, YX)? EV 

 Общее количество минут задержки NAS для EV увеличивается. 

 авиакомпания = ввод("Какая авиакомпания (9E, AA, AS, B6, DL, EV, F9, G4, HA, MQ, NK, OH, OO, UA, VX, WN, YV, YX)? ") 

 df_nas = df[(df['carrier'] == авиакомпания) & (df['nas_delay'] > 0)] 

 df_nas = df_nas.groupby('date')['nas_delay'].sum() 

 plt.figure(figsize=(16, 8)) 
 plt.