import pandas as pd  
  
data = pd.DataFrame({  
    'food': ['bacon', 'pulled pork', 'bacon', 'Pastrami', 'corned beef', 'Bacon', 'pastrami', 'honey ham', 'nova lox'],  
    'ounces': [4, 3, 12, 6, 7.5, 8, 3, 5, 6]  
})  
  
meat_to_animal = {  
    'bacon': 'pig',  
    'pulled pork': 'pig',  
    'pastrami': 'cow',  
    'corned beef': 'cow',  
    'honey ham': 'pig',  
    'nova lox': 'salmon'  
}  
  
# Zmapowanie typu mięsa na zwierzę  
data['animal'] = data['food'].str.lower().map(meat_to_animal)  
print(data)

# Tworzenie zakresu dat od 1 stycznia do 7 stycznia 2023
date_range = pd.date_range('2023-01-01', '2023-01-07')
print(date_range)

# Generowanie dat co tydzień, od 1 stycznia 2023, przez 4 tygodnie
weekly_dates = pd.date_range('2023-01-01', periods=4, freq='W')
print(weekly_dates)

import pandas as pd  
  
data = pd.DataFrame({  
    'sales': [300, 320, 310, 330, 340],  
    'date': pd.date_range(start='2023-01-01', periods=5, freq='D')  
}).set_index('date')  

data['previous_day_sales'] = data['sales'].shift(1)  
data['sales_increase'] = data['sales'] > data['previous_day_sales']  
print(data) 

#Wynik 
#           sales  previous_day_sales  sales_increase
#date                                                 
#2023-01-01    300                 NaN           False
#2023-01-02    320               300.0            True
#2023-01-03    310               320.0           False
#2023-01-04    330               310.0            True
#2023-01-05    340               330.0            True

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Przykładowe dane czasowe (ceny akcji)
dates = pd.date_range(start='2023-01-01', periods=30, freq='D')
prices = np.random.randint(100, 200, size=len(dates))

data = pd.DataFrame({'price': prices}, index=dates)

# 7-dniowa średnia krocząca
data['7_day_mean'] = data['price'].rolling(window=7).mean()

# Wykres
plt.figure(figsize=(10, 6))
plt.plot(data.index, data['price'], label='Cena akcji')
plt.plot(data.index, data['7_day_mean'], label='7-dniowa średnia krocząca', linestyle='--')
plt.title("7-dniowa średnia krocząca cen akcji")
plt.xlabel("Data")
plt.ylabel("Cena akcji")
plt.legend()
plt.grid(True)
plt.show()

import pandas as pd  
import pytz  
  
# Dane dotyczące transakcji
data = {'transaction_time': ['2023-01-01 10:00:00', '2023-01-01 14:00:00', '2023-01-02 09:30:00'],  
        'city': ['New York', 'London', 'Tokyo']}  
  
df = pd.DataFrame(data)  
  
# Upewnienie się ze 'transaction_time' jest w formacie datetime  
df['transaction_time'] = pd.to_datetime(df['transaction_time'])  
  
# Nowa kolumna z przypisanymi strefami czasowymi  
df['transaction_time'] = df['transaction_time'].dt.tz_localize('UTC')  # Lokalizacja dat w UTC  
  
# Dostosowanie stref czasowych dla odpowiednich miast  
df.loc[df['city'] == 'New York', 'transaction_time'] = df.loc[df['city'] == 'New York', 'transaction_time'].dt.tz_convert('America/New_York')  
df.loc[df['city'] == 'London', 'transaction_time'] = df.loc[df['city'] == 'London', 'transaction_time'].dt.tz_convert('Europe/London')  
df.loc[df['city'] == 'Tokyo', 'transaction_time'] = df.loc[df['city'] == 'Tokyo', 'transaction_time'].dt.tz_convert('Asia/Tokyo')  
  
print(df) 
#Wynik
#           transaction_time      city
#0 2023-01-01 10:00:00+00:00  New York
#1 2023-01-01 14:00:00+00:00    London
#2 2023-01-02 09:30:00+00:00     Tokyo

from datetime import datetime

# Wyświetlanie w formacie 'YYYY-MM-DD HH:MM:SS'
formatted_date = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
print(formatted_date) # Wynik 2024-10-19 15:38:34

import numpy as np

# Obliczanie różnicy między datami
date1 = np.datetime64('2023-01-01')
date2 = np.datetime64('2023-01-10')

difference = date2 - date1
print(difference)  # Wynik: 9 days

a = np.zeros((3, 4)) # 3 wiersze, 4 kolumny

a = np.array([1, 2, 3, 4, 5])
mean = np.mean(a)
print(mean)