diff --git a/Lesson4/Task2.ipynb b/Lesson4/Task2.ipynb
new file mode 100644
index 0000000..ac6e6bf
--- /dev/null
+++ b/Lesson4/Task2.ipynb
@@ -0,0 +1,6815 @@
+{
+ "cells": [
+ {
+ "cell_type": "markdown",
+ "id": "b27e41e4",
+ "metadata": {},
+ "source": [
+ "## Тема “Визуализация данных в Matplotlib”"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "id": "f324024b",
+ "metadata": {},
+ "source": [
+ "### Задание 1\n",
+ "Загрузите модуль pyplot библиотеки matplotlib с псевдонимом plt, а также библиотеку numpy с\n",
+ "псевдонимом np.\n",
+ "Примените магическую функцию %matplotlib inline для отображения графиков в Jupyter Notebook и\n",
+ "настройки конфигурации ноутбука со значением 'svg' для более четкого отображения графиков.\n",
+ "Создайте список под названием x с числами 1, 2, 3, 4, 5, 6, 7 и список y с числами 3.5, 3.8, 4.2, 4.5, 5,\n",
+ "5.5, 7.\n",
+ "С помощью функции plot постройте график, соединяющий линиями точки с горизонтальными\n",
+ "координатами из списка x и вертикальными - из списка y.\n",
+ "Затем в следующей ячейке постройте диаграмму рассеяния (другие названия - диаграмма разброса,\n",
+ "scatter plot)."
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 29,
+ "id": "99e11a55",
+ "metadata": {},
+ "outputs": [],
+ "source": [
+ "import numpy as np\n",
+ "import pandas as pd\n",
+ "from random import seed\n",
+ "from matplotlib import pyplot as plt\n",
+ "\n",
+ "plt.style.use('fivethirtyeight')\n",
+ "\n",
+ "%matplotlib inline\n",
+ "%config InlineBackend.figure_format = 'svg'"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 30,
+ "id": "bd0d7835",
+ "metadata": {},
+ "outputs": [
+ {
+ "data": {
+ "image/svg+xml": [
+ "\n",
+ "\n",
+ "\n"
+ ],
+ "text/plain": [
+ ""
+ ]
+ },
+ "metadata": {},
+ "output_type": "display_data"
+ }
+ ],
+ "source": [
+ "x = [1, 2, 3, 4, 5, 6, 7]\n",
+ "y = [3.5, 3.8, 4.2, 4.5, 5, 5.5, 7]\n",
+ "\n",
+ "plt.plot(x, y)\n",
+ "\n",
+ "plt.show()"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 5,
+ "id": "91fc998c",
+ "metadata": {},
+ "outputs": [
+ {
+ "data": {
+ "image/svg+xml": [
+ "\n",
+ "\n",
+ "\n"
+ ],
+ "text/plain": [
+ ""
+ ]
+ },
+ "metadata": {},
+ "output_type": "display_data"
+ }
+ ],
+ "source": [
+ "plt.scatter(x, y)\n",
+ "\n",
+ "plt.show()"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "id": "fbf3b995",
+ "metadata": {},
+ "source": [
+ "### Задание 2\n",
+ "С помощью функции linspace из библиотеки Numpy создайте массив t из 51 числа от 0 до 10\n",
+ "включительно.\n",
+ "© geekbrains.ru\n",
+ "Создайте массив Numpy под названием f, содержащий косинусы элементов массива t.\n",
+ "Постройте линейную диаграмму, используя массив t для координат по горизонтали,а массив f - для\n",
+ "координат по вертикали. Линия графика должна быть зеленого цвета.\n",
+ "Выведите название диаграммы - 'График f(t)'. Также добавьте названия для горизонтальной оси -\n",
+ "'Значения t' и для вертикальной - 'Значения f'.\n",
+ "Ограничьте график по оси x значениями 0.5 и 9.5, а по оси y - значениями -2.5 и 2.5."
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 6,
+ "id": "f19e1fe4",
+ "metadata": {},
+ "outputs": [
+ {
+ "data": {
+ "image/svg+xml": [
+ "\n",
+ "\n",
+ "\n"
+ ],
+ "text/plain": [
+ ""
+ ]
+ },
+ "metadata": {},
+ "output_type": "display_data"
+ }
+ ],
+ "source": [
+ "t = np.linspace(0, 10, 51)\n",
+ "\n",
+ "f = np.cos(t)\n",
+ "\n",
+ "plt.plot(t, f, color=\"green\")\n",
+ "\n",
+ "plt.title(\"График f(t)\")\n",
+ "plt.xlabel(\"Значения t\")\n",
+ "plt.ylabel(\"Значения f\")\n",
+ "\n",
+ "plt.axis([0.5, 9.5, -2.5, 2.5])\n",
+ "\n",
+ "plt.show()"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "id": "73611d04",
+ "metadata": {},
+ "source": [
+ "### Задание 3\n",
+ "С помощью функции linspace библиотеки Numpy создайте массив x из 51 числа от -3 до 3\n",
+ "включительно.\n",
+ "Создайте массивы y1, y2, y3, y4 по следующим формулам:\n",
+ "y1 = x**2\n",
+ "y2 = 2 * x + 0.5\n",
+ "y3 = -3 * x - 1.5\n",
+ "y4 = sin(x)\n",
+ "Используя функцию subplots модуля matplotlib.pyplot, создайте объект matplotlib.figure.Figure с\n",
+ "названием fig и массив объектов Axes под названием ax,причем так, чтобы у вас было 4 отдельных\n",
+ "графика в сетке, состоящей из двух строк и двух столбцов. В каждом графике массив x используется\n",
+ "для координат по горизонтали.В левом верхнем графике для координат по вертикали используйте\n",
+ "y1,в правом верхнем - y2, в левом нижнем - y3, в правом нижнем - y4.Дайте название графикам:\n",
+ "'График y1', 'График y2' и т.д.\n",
+ "Для графика в левом верхнем углу установите границы по оси x от -5 до 5.\n",
+ "Установите размеры фигуры 8 дюймов по горизонтали и 6 дюймов по вертикали.\n",
+ "Вертикальные и горизонтальные зазоры между графиками должны составлять 0.3"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 7,
+ "id": "ea585c38",
+ "metadata": {},
+ "outputs": [
+ {
+ "data": {
+ "text/plain": [
+ "Text(0.5, 1.0, 'График y4')"
+ ]
+ },
+ "execution_count": 7,
+ "metadata": {},
+ "output_type": "execute_result"
+ },
+ {
+ "data": {
+ "image/svg+xml": [
+ "\n",
+ "\n",
+ "\n"
+ ],
+ "text/plain": [
+ ""
+ ]
+ },
+ "metadata": {},
+ "output_type": "display_data"
+ }
+ ],
+ "source": [
+ "x = np.linspace(-3, 3, 51)\n",
+ "\n",
+ "y1 = x**2\n",
+ "y2 = 2*x + 0.5\n",
+ "y3 = -3*x - 1.5\n",
+ "y4 = np.sin(x)\n",
+ "\n",
+ "fig, ax = plt.subplots(nrows=2, ncols=2)\n",
+ "\n",
+ "fig.set_size_inches(8, 6)\n",
+ "fig.subplots_adjust(wspace=0.3, hspace=0.3)\n",
+ "\n",
+ "ax1, ax2, ax3, ax4 = ax.flatten()\n",
+ "\n",
+ "ax1.plot(x, y1)\n",
+ "ax1.set_title(\"График y1\")\n",
+ "ax1.set_xlim([-5, 5])\n",
+ "ax2.plot(x, y2)\n",
+ "ax2.set_title(\"График y2\")\n",
+ "ax3.plot(x, y3)\n",
+ "ax3.set_title(\"График y3\")\n",
+ "ax4.plot(x, y4)\n",
+ "ax4.set_title(\"График y4\")"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "id": "c77b9177",
+ "metadata": {},
+ "source": [
+ "### Задание 4\n",
+ "В этом задании мы будем работать с датасетом, в котором приведены данные по мошенничеству с\n",
+ "кредитными данными: Credit Card Fraud Detection (информация об авторах: Andrea Dal Pozzolo, Olivier\n",
+ "Caelen, Reid A. Johnson and Gianluca Bontempi. Calibrating Probability with Undersampling for Unbalanced\n",
+ "Classification. In Symposium on Computational Intelligence and Data Mining (CIDM), IEEE, 2015).\n",
+ "Ознакомьтесь с описанием и скачайте датасет creditcard.csv с сайта Kaggle.com по ссылке:\n",
+ "Credit Card Fraud Detection\n",
+ "Данный датасет является примером несбалансированных данных, так как мошеннические операции с\n",
+ "картами встречаются реже обычных.\n",
+ "Импортируйте библиотеку Pandas, а также используйте для графиков стиль “fivethirtyeight”.\n",
+ "© geekbrains.ru 1\n",
+ "Посчитайте с помощью метода value_counts количество наблюдений для каждого значения целевой\n",
+ "переменной Class и примените к полученным данным метод plot, чтобы построить столбчатую\n",
+ "диаграмму. Затем постройте такую же диаграмму, используя логарифмический масштаб.\n",
+ "На следующем графике постройте две гистограммы по значениям признака V1 - одну для\n",
+ "мошеннических транзакций (Class равен 1) и другую - для обычных (Class равен 0). Подберите\n",
+ "значение аргумента density так, чтобы по вертикали графика было расположено не число\n",
+ "наблюдений, а плотность распределения. Число бинов должно равняться 20 для обеих гистограмм, а\n",
+ "коэффициент alpha сделайте равным 0.5, чтобы гистограммы были полупрозрачными и не\n",
+ "загораживали друг друга. Создайте легенду с двумя значениями: “Class 0” и “Class 1”. Гистограмма\n",
+ "обычных транзакций должна быть серого цвета, а мошеннических - красного. Горизонтальной оси\n",
+ "дайте название “V1”."
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 12,
+ "id": "65f2dc4a-f788-4f45-b8d7-7bd6de270815",
+ "metadata": {},
+ "outputs": [
+ {
+ "name": "stdout",
+ "output_type": "stream",
+ "text": [
+ "Dataset URL: https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud\n",
+ "License(s): DbCL-1.0\n",
+ "Downloading creditcardfraud.zip to W:\\Projects\\GB\\Python\\MLearning\\DSLibraries\\Lesson4\n",
+ "\n"
+ ]
+ },
+ {
+ "name": "stderr",
+ "output_type": "stream",
+ "text": [
+ "\n",
+ " 0%| | 0.00/66.0M [00:00\n",
+ "\n",
+ "\n",
+ " \n",
+ " \n",
+ " | \n",
+ " Time | \n",
+ " V1 | \n",
+ " V2 | \n",
+ " V3 | \n",
+ " V4 | \n",
+ " V5 | \n",
+ " V6 | \n",
+ " V7 | \n",
+ " V8 | \n",
+ " V9 | \n",
+ " ... | \n",
+ " V21 | \n",
+ " V22 | \n",
+ " V23 | \n",
+ " V24 | \n",
+ " V25 | \n",
+ " V26 | \n",
+ " V27 | \n",
+ " V28 | \n",
+ " Amount | \n",
+ " Class | \n",
+ "
\n",
+ " \n",
+ " \n",
+ " \n",
+ " | 0 | \n",
+ " 0.0 | \n",
+ " -1.359807 | \n",
+ " -0.072781 | \n",
+ " 2.536347 | \n",
+ " 1.378155 | \n",
+ " -0.338321 | \n",
+ " 0.462388 | \n",
+ " 0.239599 | \n",
+ " 0.098698 | \n",
+ " 0.363787 | \n",
+ " ... | \n",
+ " -0.018307 | \n",
+ " 0.277838 | \n",
+ " -0.110474 | \n",
+ " 0.066928 | \n",
+ " 0.128539 | \n",
+ " -0.189115 | \n",
+ " 0.133558 | \n",
+ " -0.021053 | \n",
+ " 149.62 | \n",
+ " 0 | \n",
+ "
\n",
+ " \n",
+ " | 1 | \n",
+ " 0.0 | \n",
+ " 1.191857 | \n",
+ " 0.266151 | \n",
+ " 0.166480 | \n",
+ " 0.448154 | \n",
+ " 0.060018 | \n",
+ " -0.082361 | \n",
+ " -0.078803 | \n",
+ " 0.085102 | \n",
+ " -0.255425 | \n",
+ " ... | \n",
+ " -0.225775 | \n",
+ " -0.638672 | \n",
+ " 0.101288 | \n",
+ " -0.339846 | \n",
+ " 0.167170 | \n",
+ " 0.125895 | \n",
+ " -0.008983 | \n",
+ " 0.014724 | \n",
+ " 2.69 | \n",
+ " 0 | \n",
+ "
\n",
+ " \n",
+ " | 2 | \n",
+ " 1.0 | \n",
+ " -1.358354 | \n",
+ " -1.340163 | \n",
+ " 1.773209 | \n",
+ " 0.379780 | \n",
+ " -0.503198 | \n",
+ " 1.800499 | \n",
+ " 0.791461 | \n",
+ " 0.247676 | \n",
+ " -1.514654 | \n",
+ " ... | \n",
+ " 0.247998 | \n",
+ " 0.771679 | \n",
+ " 0.909412 | \n",
+ " -0.689281 | \n",
+ " -0.327642 | \n",
+ " -0.139097 | \n",
+ " -0.055353 | \n",
+ " -0.059752 | \n",
+ " 378.66 | \n",
+ " 0 | \n",
+ "
\n",
+ " \n",
+ " | 3 | \n",
+ " 1.0 | \n",
+ " -0.966272 | \n",
+ " -0.185226 | \n",
+ " 1.792993 | \n",
+ " -0.863291 | \n",
+ " -0.010309 | \n",
+ " 1.247203 | \n",
+ " 0.237609 | \n",
+ " 0.377436 | \n",
+ " -1.387024 | \n",
+ " ... | \n",
+ " -0.108300 | \n",
+ " 0.005274 | \n",
+ " -0.190321 | \n",
+ " -1.175575 | \n",
+ " 0.647376 | \n",
+ " -0.221929 | \n",
+ " 0.062723 | \n",
+ " 0.061458 | \n",
+ " 123.50 | \n",
+ " 0 | \n",
+ "
\n",
+ " \n",
+ " | 4 | \n",
+ " 2.0 | \n",
+ " -1.158233 | \n",
+ " 0.877737 | \n",
+ " 1.548718 | \n",
+ " 0.403034 | \n",
+ " -0.407193 | \n",
+ " 0.095921 | \n",
+ " 0.592941 | \n",
+ " -0.270533 | \n",
+ " 0.817739 | \n",
+ " ... | \n",
+ " -0.009431 | \n",
+ " 0.798278 | \n",
+ " -0.137458 | \n",
+ " 0.141267 | \n",
+ " -0.206010 | \n",
+ " 0.502292 | \n",
+ " 0.219422 | \n",
+ " 0.215153 | \n",
+ " 69.99 | \n",
+ " 0 | \n",
+ "
\n",
+ " \n",
+ "
\n",
+ "5 rows × 31 columns
\n",
+ ""
+ ],
+ "text/plain": [
+ " Time V1 V2 V3 V4 V5 V6 V7 \\\n",
+ "0 0.0 -1.359807 -0.072781 2.536347 1.378155 -0.338321 0.462388 0.239599 \n",
+ "1 0.0 1.191857 0.266151 0.166480 0.448154 0.060018 -0.082361 -0.078803 \n",
+ "2 1.0 -1.358354 -1.340163 1.773209 0.379780 -0.503198 1.800499 0.791461 \n",
+ "3 1.0 -0.966272 -0.185226 1.792993 -0.863291 -0.010309 1.247203 0.237609 \n",
+ "4 2.0 -1.158233 0.877737 1.548718 0.403034 -0.407193 0.095921 0.592941 \n",
+ "\n",
+ " V8 V9 ... V21 V22 V23 V24 V25 \\\n",
+ "0 0.098698 0.363787 ... -0.018307 0.277838 -0.110474 0.066928 0.128539 \n",
+ "1 0.085102 -0.255425 ... -0.225775 -0.638672 0.101288 -0.339846 0.167170 \n",
+ "2 0.247676 -1.514654 ... 0.247998 0.771679 0.909412 -0.689281 -0.327642 \n",
+ "3 0.377436 -1.387024 ... -0.108300 0.005274 -0.190321 -1.175575 0.647376 \n",
+ "4 -0.270533 0.817739 ... -0.009431 0.798278 -0.137458 0.141267 -0.206010 \n",
+ "\n",
+ " V26 V27 V28 Amount Class \n",
+ "0 -0.189115 0.133558 -0.021053 149.62 0 \n",
+ "1 0.125895 -0.008983 0.014724 2.69 0 \n",
+ "2 -0.139097 -0.055353 -0.059752 378.66 0 \n",
+ "3 -0.221929 0.062723 0.061458 123.50 0 \n",
+ "4 0.502292 0.219422 0.215153 69.99 0 \n",
+ "\n",
+ "[5 rows x 31 columns]"
+ ]
+ },
+ "execution_count": 19,
+ "metadata": {},
+ "output_type": "execute_result"
+ }
+ ],
+ "source": [
+ "df.head()"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 20,
+ "id": "d4fae789",
+ "metadata": {},
+ "outputs": [
+ {
+ "data": {
+ "text/html": [
+ "\n",
+ "\n",
+ "
\n",
+ " \n",
+ " \n",
+ " | \n",
+ " Time | \n",
+ " V1 | \n",
+ " V2 | \n",
+ " V3 | \n",
+ " V4 | \n",
+ " V5 | \n",
+ " V6 | \n",
+ " V7 | \n",
+ " V8 | \n",
+ " V9 | \n",
+ " ... | \n",
+ " V21 | \n",
+ " V22 | \n",
+ " V23 | \n",
+ " V24 | \n",
+ " V25 | \n",
+ " V26 | \n",
+ " V27 | \n",
+ " V28 | \n",
+ " Amount | \n",
+ " Class | \n",
+ "
\n",
+ " \n",
+ " \n",
+ " \n",
+ " | count | \n",
+ " 284807.000000 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " ... | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 2.848070e+05 | \n",
+ " 284807.000000 | \n",
+ " 284807.000000 | \n",
+ "
\n",
+ " \n",
+ " | mean | \n",
+ " 94813.859575 | \n",
+ " 1.168375e-15 | \n",
+ " 3.416908e-16 | \n",
+ " -1.379537e-15 | \n",
+ " 2.074095e-15 | \n",
+ " 9.604066e-16 | \n",
+ " 1.487313e-15 | \n",
+ " -5.556467e-16 | \n",
+ " 1.213481e-16 | \n",
+ " -2.406331e-15 | \n",
+ " ... | \n",
+ " 1.654067e-16 | \n",
+ " -3.568593e-16 | \n",
+ " 2.578648e-16 | \n",
+ " 4.473266e-15 | \n",
+ " 5.340915e-16 | \n",
+ " 1.683437e-15 | \n",
+ " -3.660091e-16 | \n",
+ " -1.227390e-16 | \n",
+ " 88.349619 | \n",
+ " 0.001727 | \n",
+ "
\n",
+ " \n",
+ " | std | \n",
+ " 47488.145955 | \n",
+ " 1.958696e+00 | \n",
+ " 1.651309e+00 | \n",
+ " 1.516255e+00 | \n",
+ " 1.415869e+00 | \n",
+ " 1.380247e+00 | \n",
+ " 1.332271e+00 | \n",
+ " 1.237094e+00 | \n",
+ " 1.194353e+00 | \n",
+ " 1.098632e+00 | \n",
+ " ... | \n",
+ " 7.345240e-01 | \n",
+ " 7.257016e-01 | \n",
+ " 6.244603e-01 | \n",
+ " 6.056471e-01 | \n",
+ " 5.212781e-01 | \n",
+ " 4.822270e-01 | \n",
+ " 4.036325e-01 | \n",
+ " 3.300833e-01 | \n",
+ " 250.120109 | \n",
+ " 0.041527 | \n",
+ "
\n",
+ " \n",
+ " | min | \n",
+ " 0.000000 | \n",
+ " -5.640751e+01 | \n",
+ " -7.271573e+01 | \n",
+ " -4.832559e+01 | \n",
+ " -5.683171e+00 | \n",
+ " -1.137433e+02 | \n",
+ " -2.616051e+01 | \n",
+ " -4.355724e+01 | \n",
+ " -7.321672e+01 | \n",
+ " -1.343407e+01 | \n",
+ " ... | \n",
+ " -3.483038e+01 | \n",
+ " -1.093314e+01 | \n",
+ " -4.480774e+01 | \n",
+ " -2.836627e+00 | \n",
+ " -1.029540e+01 | \n",
+ " -2.604551e+00 | \n",
+ " -2.256568e+01 | \n",
+ " -1.543008e+01 | \n",
+ " 0.000000 | \n",
+ " 0.000000 | \n",
+ "
\n",
+ " \n",
+ " | 25% | \n",
+ " 54201.500000 | \n",
+ " -9.203734e-01 | \n",
+ " -5.985499e-01 | \n",
+ " -8.903648e-01 | \n",
+ " -8.486401e-01 | \n",
+ " -6.915971e-01 | \n",
+ " -7.682956e-01 | \n",
+ " -5.540759e-01 | \n",
+ " -2.086297e-01 | \n",
+ " -6.430976e-01 | \n",
+ " ... | \n",
+ " -2.283949e-01 | \n",
+ " -5.423504e-01 | \n",
+ " -1.618463e-01 | \n",
+ " -3.545861e-01 | \n",
+ " -3.171451e-01 | \n",
+ " -3.269839e-01 | \n",
+ " -7.083953e-02 | \n",
+ " -5.295979e-02 | \n",
+ " 5.600000 | \n",
+ " 0.000000 | \n",
+ "
\n",
+ " \n",
+ " | 50% | \n",
+ " 84692.000000 | \n",
+ " 1.810880e-02 | \n",
+ " 6.548556e-02 | \n",
+ " 1.798463e-01 | \n",
+ " -1.984653e-02 | \n",
+ " -5.433583e-02 | \n",
+ " -2.741871e-01 | \n",
+ " 4.010308e-02 | \n",
+ " 2.235804e-02 | \n",
+ " -5.142873e-02 | \n",
+ " ... | \n",
+ " -2.945017e-02 | \n",
+ " 6.781943e-03 | \n",
+ " -1.119293e-02 | \n",
+ " 4.097606e-02 | \n",
+ " 1.659350e-02 | \n",
+ " -5.213911e-02 | \n",
+ " 1.342146e-03 | \n",
+ " 1.124383e-02 | \n",
+ " 22.000000 | \n",
+ " 0.000000 | \n",
+ "
\n",
+ " \n",
+ " | 75% | \n",
+ " 139320.500000 | \n",
+ " 1.315642e+00 | \n",
+ " 8.037239e-01 | \n",
+ " 1.027196e+00 | \n",
+ " 7.433413e-01 | \n",
+ " 6.119264e-01 | \n",
+ " 3.985649e-01 | \n",
+ " 5.704361e-01 | \n",
+ " 3.273459e-01 | \n",
+ " 5.971390e-01 | \n",
+ " ... | \n",
+ " 1.863772e-01 | \n",
+ " 5.285536e-01 | \n",
+ " 1.476421e-01 | \n",
+ " 4.395266e-01 | \n",
+ " 3.507156e-01 | \n",
+ " 2.409522e-01 | \n",
+ " 9.104512e-02 | \n",
+ " 7.827995e-02 | \n",
+ " 77.165000 | \n",
+ " 0.000000 | \n",
+ "
\n",
+ " \n",
+ " | max | \n",
+ " 172792.000000 | \n",
+ " 2.454930e+00 | \n",
+ " 2.205773e+01 | \n",
+ " 9.382558e+00 | \n",
+ " 1.687534e+01 | \n",
+ " 3.480167e+01 | \n",
+ " 7.330163e+01 | \n",
+ " 1.205895e+02 | \n",
+ " 2.000721e+01 | \n",
+ " 1.559499e+01 | \n",
+ " ... | \n",
+ " 2.720284e+01 | \n",
+ " 1.050309e+01 | \n",
+ " 2.252841e+01 | \n",
+ " 4.584549e+00 | \n",
+ " 7.519589e+00 | \n",
+ " 3.517346e+00 | \n",
+ " 3.161220e+01 | \n",
+ " 3.384781e+01 | \n",
+ " 25691.160000 | \n",
+ " 1.000000 | \n",
+ "
\n",
+ " \n",
+ "
\n",
+ "
8 rows × 31 columns
\n",
+ "