Matura z Informatyki Python 2021 – zadanie 5

Wpis z serii „Matura z Informatyki w języku python”. W tym materiale pokażemy rozwiązania do zadań z matury z roku 2021. Przeanalizujemy treść zadania 5 oraz rozwiązania krok po kroku.

Poprzednie matura z informatyki python zadanie 4  można znaleźć tutaj

Wstęp do zadań z matury z Informatyki 2021 w języku Python

 

Zadania z matury z Informatyki z 2021 roku można znaleźć pod tym linkiem. Będzie to część 2 matury, która skupia się na części programistycznej. 

Poprzednie matura z informatyki python zadanie 4  można znaleźć tutaj

Zadanie 5 – Wodociągi

Wodociągi miejskie zamierzają wykonać analizę zużycia wody. W tym celu zgromadziły dane
o poborze wody przez wszystkich swoich klientów za rok 2019. Dane są zapisane w pliku
wodociagi.txt. Pierwszy wiersz pliku jest wierszem nagłówkowym, a dane rozdzielono
średnikami. W każdym wierszu zapisano informacje dotyczące gospodarstwa domowego
jednego klienta: dziesięcioznakowy kod klienta oraz 12 liczb całkowitych oznaczających ilości
zużytej wody w m3 przez kolejnych 12 miesięcy (od stycznia do grudnia). Kod klienta składa
się z pięciocyfrowego numeru klienta, dwucyfrowej liczby oznaczającej liczbę osób
pozostających we wspólnym gospodarstwie domowym oraz trzyliterowego kodu dzielnicy
miasta. Każdy kod jest unikatowy.

Fragment pliku wodociagi.txt:
KodKlienta;I;II;III;IV;V;VI;VII;VIII;IX;X;XI;XII
0000103WIL;6;6;6;9;6;15;12;12;12;6;9;6
0000403BEM;6;3;9;9;12;15;15;15;9;6;3;9

Korzystając z powyższych danych oraz dostępnych narzędzi informatycznych, wykonaj
podane zadania. Wyniki zapisz w pliku tekstowym wyniki5.txt. Odpowiedź do każdego
zadania poprzedź numerem tego zadania.

Zadanie 5.1

Utwórz zestawienie zawierające pięciocyfrowe numery 10 klientów, którzy w ciągu roku
zużyli w swoim gospodarstwie domowym średnio najwięcej wody na jedną osobę, oraz ich
średnie zużycie wody na jedną osobę. Średnioroczne zużycie wody na jedną osobę zaokrąglij
do dwóch miejsc po przecinku.
Zestawienie, zawierające numery klientów i średnie zużycie wody na jedną osobę, uporządkuj
nierosnąco według średniej.

Rozwiązania

Z opisu zadania widzimy, że będziemy tutaj dużo operować na danych oraz ich wzajemnych zależnościach, jedną z lepszych bibliotek w tej kwestii w języku python jest biblioteka PANDAS (o której szeroko można się zapoznać korzystając z darmowego na naszej stronie PANDAS Tutorial.

import pandas as pd
data = pd.read_csv('2021_Dane_PR2/wodociagi.txt',sep=';',header='infer')
data.head()

Wczytując dane bezpośrednio do dataframe otrzymamy taki widok tabeli:

	KodKlienta	I	II	III	IV	V	VI	VII	VIII	IX	X	XI	XII
0	0000104WIL	10	10	5	8	14	18	21	17	10	9	4	10
1	0000201ZOL	2	2	1	3	3	4	4	4	2	2	2	2
2	0000302MOK	4	4	2	6	5	7	10	8	4	6	3	3
3	0000402MOK	3	3	3	5	4	7	9	7	4	6	2	2
4	0000503BIE	7	3	7	8	7	10	13	10	6	9	7	7

 

Widać, że brakuje nam kilku danych oczekiwanych przez zadanie, które wynikają z Kodu Klienta, dodajmy je kolejnymi instrukcjami, rozdzielając dane z kolumny KodKlienta za pomocą funkcji .str oraz indeksowanie kolejnych części tekstu. Pierwsze 5 znaków to numer klienta, kolejne 2 to ilość osób, a kolejne 3 to dzielnica.

data['numer_klienta']=data['KodKlienta'].str[:5]
data['ilosc_osob']=data['KodKlienta'].str[5:7].astype('int')
data['dzielnica']=data['KodKlienta'].str[7:10]
data.head()

Dzięki czemu mamy już widoczne wszystkie dane oczekiwane przez zadanie na początku (funkcja head() , pokaże nam pierwsze 5 rekordów)

	KodKlienta	I	II	III	IV	V	VI	VII	VIII	IX	X	XI	XII	numer_klienta	ilosc_osob	dzielnica
0	0000104WIL	10	10	5	8	14	18	21	17	10	9	4	10	00001	4	WIL
1	0000201ZOL	2	2	1	3	3	4	4	4	2	2	2	2	00002	1	ZOL
2	0000302MOK	4	4	2	6	5	7	10	8	4	6	3	3	00003	2	MOK
3	0000402MOK	3	3	3	5	4	7	9	7	4	6	2	2	00004	2	MOK
4	0000503BIE	7	3	7	8	7	10	13	10	6	9	7	7	00005	3	BIE

 

Przystępując do sedna zadania, musimy policzyć średnie zużycie roczne na osobę. W takim razie będziemy potrzebować informację o tym jakie było roczne zużycie czyli sumę wartości z każdego miesiąca dla każdego klienta podzieloną przez wartość w kolumnie ilość osób. Dodamy sobie kolumnę 'roczne_zuzycie’ które będzie przechowywać sumę wszystkich miesięcy oraz dodamy kolumnę 'srednie_na_osobe’ która będzie przechowywać wartości potrzebne do rozwiązania tego zadania. Na końcu przefiltrujemy po tej kolumnie i wyświetlimy pierwsze 10 wierszy które jest naszą odpowiedzią.

data['roczne_zuzycie'] = data.I + data.II + data.III + data.IV + data.V + data.VI+data.VII+data.VIII+data.IX+data.X+data.XI+data.XII
data['srednie_na_osobe']=data['roczne_zuzycie']/data['ilosc_osob']
data['srednie_na_osobe']=data.srednie_na_osobe.round(2)

data_5_1 = data.sort_values(by='srednie_na_osobe', ascending=False)
data_5_1[:10]

	KodKlienta	I	II	III	IV	V	VI	VII	VIII	IX	X	XI	XII	numer_klienta	ilosc_osob	dzielnica	roczne_zuzycie	srednie_na_osobe
7934	0793503REM	7	7	9	12	12	15	19	13	8	8	5	9	07935	3	REM	124	41.33
5079	0508003URU	7	8	7	8	11	14	19	13	9	8	7	9	05080	3	URU	120	40.00
644	0064504WIL	9	9	11	14	12	19	24	17	12	13	10	9	00645	4	WIL	159	39.75
8089	0809004PRA	10	9	9	14	15	19	22	15	12	13	11	9	08090	4	PRA	158	39.50
5737	0573803WLO	7	6	7	12	12	13	16	13	10	9	6	7	05738	3	WLO	118	39.33
8348	0834905WES	12	12	12	15	17	25	29	19	17	14	11	13	08349	5	WES	196	39.20
8849	0885004BIA	8	8	9	14	15	18	22	16	14	13	9	10	08850	4	BIA	156	39.00
2201	0220204REM	9	10	11	14	12	19	19	18	14	11	7	9	02202	4	REM	153	38.25
9467	0946804PRA	10	7	4	10	15	16	24	17	14	14	10	10	09468	4	PRA	151	37.75
6865	0686604REM	5	8	9	13	13	18	19	17	14	14	9	8	06866	4	REM	147	36.75

 

Zadanie 5.2

Dla każdej dzielnicy podaj całkowite roczne zużycie wody przez jej wszystkich mieszkańców.

Rozwiązanie

Dzięki pracy wykonanej przy organizacji danych w zadaniu 5.1, zadanie 5.2 będzie banalnie proste. Będzie polegać jedynie na sumie, pogrupowanychdanych po kolumnie 'dzielnica’

data_5_2 = data.groupby(['dzielnica']).sum()
data_5_2['roczne_zuzycie']

Której wynikiem jest wyświetlenie wartości rocznego zużycia dla każdej z dzielnic

dzielnica
BEM    54080
BIA    61614
BIE    56368
MOK    55889
OCH    59273
PRA    57241
REM    58971
SRO    58124
TAR    60234
URU    59597
URY    50116
WAW    57674
WES    60372
WIL    55476
WLO    66372
WOL    60523
ZOL    62312
Name: roczne_zuzycie, dtype: int64

Zadanie 5.3

Rozwiązanie

W kolejnym zadaniu również skorzystamy z sumy i grupowania na kolumnie 'dzielnica’, a dodatkowo wyciągniemy wartość maksymalną dla każdej kolumny z miesiącem i dodamy nową kolumnę w której przechowamy największą wartość która jest odpowiedzią.

data_5_3 = data.groupby(['dzielnica']).sum()
data_5_3['max_zuzycie'] = data_5_3[['I','II','III','IV','V','VI','VII','VIII','IX','X','XI','XII']].max(axis=1)
data_5_3['max_zuzycie']

Ostatecznie rozwiązaniem są wartości w kolumnie 'max_zuzycie’ dla każdej z dzielnicy

dzielnica
BEM    8108
BIA    9274
BIE    8475
MOK    8452
OCH    8861
PRA    8575
REM    8873
SRO    8776
TAR    9120
URU    8960
URY    7519
WAW    8699
WES    9050
WIL    8284
WLO    9966
WOL    9117
ZOL    9417
Name: max_zuzycie, dtype: int64

Zadanie 5.4

Rozwiązanie

W tym zadaniu będziemy jedynie potrzebować sumy dla każdego miesiąca, aby otrzymać wartości dla roku 2019 jako wejście do naszej analizy. Zrobimy to sumując całą Tabele data, po czym usuniemy wszystkie nie interesujące nasz kolumny ( wszystkie oprócz miesięcy). Na końcu dodamy pomocniczą kolumnę z rokiem.

data_5_4 = data.sum()
data_5_4 = data_5_4.to_frame().transpose().drop(['KodKlienta','numer_klienta','ilosc_osob','dzielnica','roczne_zuzycie','srednie_na_osobe'],axis=1)
data_5_4['rok'] = 2019
data_5_4

Wynikiem będzie tabela z jednym wierszem od którego rozpoczniemy liczenie.

Zbudujemy pętlę, która dla każdego kolejnego roku od 2019 do 2030 przemnoży wartość z poprzedniego roku każdego miesiąca o 1.01 co da nam wartość powiększoną o 1% w roku kolejnym. Dzięki czemu otrzymamy tabelę z wieloma danymi, możemy w niej poszukać pierwszej wartości większej od 160000 natomiast łatwiej będzie nam ją po filtrować. Widzimy, że największe zużycie wody występuję w miesiącu 'VII’ stąd  wiemy, że w tym miesiącu limit zostanie przekroczony jako pierwszy.

rok = 2019
for item in range(1,12):
    data_5_4.loc[item] = data_5_4.iloc[item-1]*1.01
    data_5_4['rok'].loc[item]=int(rok+item)

data_5_4.where(data_5_4['VII']>160000)

W tabeli widzimy, że pierwszy rok w którym wystąpiło przekroczenie to rok 2026 a miesiąc to oczywiście 'VII’ lipiec.

Kolejnym podpunktem jest narysowanie wykresu dla roku 2030, zrobimy to filtrując naszą tabele po kolumnie 'rok’, odwrócimy nasze dane tak, aby na osi X mieć miesiące(transpose()) i skorzystamy z funkcji plot, aby narysować nasz wykres wraz z opisami.

data_wykres = data_5_4[data_5_4.rok==2030.0]
data_wykres = data_wykres.transpose().drop(['rok'])
import matplotlib.pyplot as plt
plt.title('przewidywane zuycie rok 2030')
plt.xlabel('miesiac')
plt.ylabel('zuzycie wody w m3')
plt.grid(True)
plt.plot(data_wykres)

Zadanie 5.5

Rozwiązanie

W tym zadaniu musimy rozwinąć naszą pętle z zadania 5.4, dodając zwiększanie się limitu oraz rozszerzając zakres lat do analizy. Wiemy, już że pierwszym miesiącem przekraczającym limit będzie miesiąc 'VII’ stąd możemy dodać prosty warunek, który zatrzyma nam dodawanie kolejnych wierszy ze zwiększającym się zużyciem kiedy zostanie on przekroczony.

rok = 2019
limit = 160000
for item in range(1,22):
    if item > 1 :
        limit +=1000
    data_5_5.loc[item] = data_5_5.iloc[item-1]*1.01
    data_5_5['rok'].loc[item]=int(rok+item)
    if data_5_5['VII'].loc[item] > limit:
        print (data_5_5.loc[item])
        break
print(limit)

W wyniku otrzymamy informację, że pierwszym rokiem po inwestycji będzie rok 2035, a przekroczy on limit 175000 m3.

Podsumowanie

Wyniki każdego z zadań na maturze należy podać w postaci pliku wynik5.txt który ostatecznie powinien wyglądać tak, dodatkowo należy dodać obrazek z wykresem do zadania 5.4:

1
tabela z zadania 5.1

2
tabela z zadania 5.2

3
tabela z zadania 5.3

4
lipiec 2026

5
lipiec 2035