Exercise 3. Anomaly

# Импортируем необходимые библиотеки:
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# Загрузим данные в переменную df:
df = pd.read_csv('https://code.s3.yandex.net/datasets/real_estate_data_n_missing.csv')

# Отфильтруем аномально высокое значение высоты потолка:
df = df.query('ceiling_height < 100')

# Преобразуем все значения потолка с высотой более 20 метров:
df.loc[df['ceiling_height'] > 20, 'ceiling_height'] /= 10

# Выделим данные с низкими потолками (менее 2.6 м) в отдельный датасет:
low_ceiling_height_df = df.query('ceiling_height < 2.6')

# Изучим основные статистические показатели ceiling_height в новом срезе данных:
print(low_ceiling_height_df['ceiling_height'].describe())

# Построим диаграмму размаха по новому срезу данных:
plt.figure(figsize=(12, 4))
sns.boxplot(data=low_ceiling_height_df, x='ceiling_height')

# Добавим оформление графика:
plt.title('Диаграма размаха значений высоты потолка', fontsize=16)
plt.xlabel('Высота потолка', fontsize=14)
plt.ylabel(None)
plt.grid()

plt.show()

# Изучем долю квартир с высотой потолков 2.4 и менее метров:
low_ceiling_height_amount = df.loc[df['ceiling_height'] <= 2.4, 'ceiling_height'].count()
total_amount = df['ceiling_height'].count()
share = low_ceiling_height_amount / total_amount

print(f'Доля квартир с высотой потолков 2.4 м и ниже: {share:.2%}')

# Отфильтруем квартиры с потолком 2.4 и менее метров:
df = df.query('ceiling_height < 2.4')

# Проверим результат и найдём минимальную высоту потолка:
min_ceiling_height = df['ceiling_height'].min()
print('Минимальная высота потолка:', min_ceiling_height)