Skip to content
TheChatArchiveThe Chat Archive
gpt-3.5-turbo-0301· openaiHugging Face Suzhen/CodeChat

исправить ошибку KeyError: 'Column not found: population' в коде import pandas as pd…

  1. User

    исправить ошибку KeyError: 'Column not found: population' в коде import pandas as pd import seaborn as sns import matplotlib.pyplot as plt

    covid_data = pd.read_csv('covid_data.csv') vaccinations_data = pd.read_csv('country_vaccinations.csv')

    vaccinations_data = vaccinations_data[ ['country', 'date', 'total_vaccinations', 'people_vaccinated', 'people_vaccinated_per_hundred', 'people_fully_vaccinated', 'people_fully_vaccinated_per_hundred', 'daily_vaccinations', 'vaccines'] ]

    vaccinations_data['date'] = pd.to_datetime(vaccinations_data['date'])

    #Группируем таблицу по дате и названию страны и рассчитываем суммарные показатели по всем регионам.

    covid_data = covid_data.groupby(
    ['date', 'country'], as_index=False )[['confirmed', 'deaths', 'recovered']].sum()

    #Преобразуем даты в формат datetime с помощью функции pd.to_datetime() covid_data['date'] = pd.to_datetime(covid_data['date'])

    #Создадим признак больных на данный момент (active). Для этого вычтем из общего числа зафиксированных случаев число смертей и число выздоровевших пациентов:

    covid_data['active'] = covid_data['confirmed'] - covid_data['deaths'] - covid_data['recovered']

    #Создадим признак ежедневного прироста числа заболевших, умерших и выздоровевших людей. Для этого отсортируем данные по датам, а затем по названиям стран. После этого произведём группировку по странам и рассчитаем разницу между «вчера и сегодня» с помощью метода diff() covid_data = covid_data.sort_values(by=['country', 'date']) covid_data['daily_confirmed'] = covid_data.groupby('country')['confirmed'].diff() covid_data['daily_deaths'] = covid_data.groupby('country')['deaths'].diff() covid_data['daily_recovered'] = covid_data.groupby('country')['recovered'].diff()

    start_date = covid_data['date'].min() end_date = covid_data['date'].max()

    Приведём столбец date к типу datetime и выберем только нужные строки из таблицы vaccinations_data

    vaccinations_data['date'] = pd.to_datetime(vaccinations_data['date']) vaccinations_data = vaccinations_data[(vaccinations_data['date'] >= start_date) & (vaccinations_data['date'] <= end_date)]

    Объединим таблицы covid_data и vaccinations_data по столбцам date и country

    #covid_df = covid_data.merge(vaccinations_data, on=['date', 'country']) covid_df = pd.merge(covid_data, vaccinations_data, on=['date', 'country'],how='left')

    Создаём столбцы death_rate и recover_rate

    covid_df['death_rate'] = covid_df['deaths'] / covid_df['confirmed'] * 100 covid_df['recover_rate'] = covid_df['recovered'] / covid_df['confirmed'] * 100

    grouped_cases = covid_df.groupby('date')['daily_confirmed'].sum()

    population_data = covid_data.groupby('country')['population'].max().reset_index() covid_df = covid_df.merge(population_data, on='country')

    Добавляем столбец confirmed_per_hundred, который показывает процентное отношение заболевших к общему числу населения в странах

    covid_df['confirmed_per_hundred'] = covid_df['confirmed'] / covid_df['population'] * 100

    countries = ['Russia', 'Australia', 'Germany', 'Canada', 'United Kingdom'] croped_covid_df = covid_df[covid_df['country'].isin(countries)]

    populations = pd.DataFrame([ ['Canada', 37664517], ['Germany', 83721496], ['Russia', 145975300], ['Australia', 25726900], ['United Kingdom', 67802690] ], columns=['country', 'population'] ) croped_covid_df = croped_covid_df.merge(populations, on=['country']) croped_covid_df['daily_confirmed_per_hundred'] = croped_covid_df['daily_confirmed'] / croped_covid_df['population'] * 100

    Оставляем только нужные столбцы для построения карты

    croped_covid_df = covid_df[['country', 'date', 'confirmed_per_hundred']]

    Сводим таблицу для отображения на тепловой карте

    heatmap_data = croped_covid_df.pivot('country', 'date', 'confirmed_per_hundred')

    Строим тепловую карту

    plt.figure(figsize=(10, 20)) sns.heatmap(heatmap_data, cmap='YlOrRd', linewidths=.5, annot=True, fmt='.1f') plt.title('Number of Confirmed Cases per Hundred People by Country and Date') plt.xlabel('Date') plt.ylabel('Country') plt.show()

  2. Assistant

    Ошибка KeyError возникает на строке 49 в коде, потому что столбец population не был сохранен при группировке таблицы covid_data в строке 18. Чтобы исправить ошибку, необходимо изменить код на следующий:

    population_data = covid_data.groupby('country')['population'].max().reset_index() covid_data = covid_data.merge(population_data, on='country')

    Здесь мы добавляем группировку по столбцу 'population' и соединяем таблицы covid_data и population_data по столбцу 'country'.

  3. User

    в какой строке изменить этот код?

  4. Assistant

    Изменение кода должно произойти после строки 20, где происходит присвоение значений переменным covid_data и vaccinations_data. Необходимо добавить следующий блок кода:

    population_data = covid_data.groupby('country')['population'].max().reset_index()
    covid_data = covid_data.merge(population_data, on='country')
    

    Этот код добавит столбец 'population' в таблицу covid_data, что позволит использовать его позже в строке 55.

  5. User

    а какие тогда убрать?

  6. Assistant

    Никакие строки не нужно убирать. Просто необходимо добавить новый блок кода после строки 20, чтобы исправить ошибку в последующем коде. В результате, после исправления, код должен выглядеть так:

    import pandas as pd
    import seaborn as sns
    import matplotlib.pyplot as plt
    
    
    covid_data = pd.read_csv('covid_data.csv')
    vaccinations_data = pd.read_csv('country_vaccinations.csv')
    
    vaccinations_data = vaccinations_data[
        ['country', 'date', 'total_vaccinations', 
         'people_vaccinated', 'people_vaccinated_per_hundred',
         'people_fully_vaccinated', 'people_fully_vaccinated_per_hundred',
         'daily_vaccinations', 'vaccines']
    ]
    
    vaccinations_data['date'] = pd.to_datetime(vaccinations_data['date'])
    
    #Группируем таблицу по дате и названию страны и рассчитываем суммарные показатели по всем регионам.
    
    covid_data = covid_data.groupby(   
        ['date', 'country'], 
        as_index=False
    )[['confirmed', 'deaths', 'recovered']].sum()
    
    
    #Преобразуем даты в формат datetime с помощью функции pd.to_datetime()
    covid_data['date'] = pd.to_datetime(covid_data['date']) 
    
    
    #Создадим признак больных на данный момент (active). Для этого вычтем из общего числа зафиксированных случаев число смертей и число выздоровевших пациентов:
    
    covid_data['active'] = covid_data['confirmed'] - covid_data['deaths'] - covid_data['recovered']
    
    #Создадим признак ежедневного прироста числа заболевших, умерших и выздоровевших людей. Для этого отсортируем данные по датам, а затем по названиям стран. После этого произведём группировку по странам и рассчитаем разницу между «вчера и сегодня» с помощью метода diff()
    covid_data = covid_data.sort_values(by=['country', 'date'])
    covid_data['daily_confirmed'] = covid_data.groupby('country')['confirmed'].diff()
    covid_data['daily_deaths'] = covid_data.groupby('country')['deaths'].diff()
    covid_data['daily_recovered'] = covid_data.groupby('country')['recovered'].diff()
    
    # Добавляем столбец population
    population_data = covid_data.groupby('country')['population'].max().reset_index()
    covid_data = covid_data.merge(population_data, on='country')
    
    start_date = covid_data['date'].min()
    end_date = covid_data['date'].max()
    
    # Приведём столбец date к типу datetime и выберем только нужные строки из таблицы vaccinations_data
    vaccinations_data['date'] = pd.to_datetime(vaccinations_data['date'])
    vaccinations_data = vaccinations_data[(vaccinations_data['date'] >= start_date) & (vaccinations_data['date'] <= end_date)]
    
    # Объединим таблицы covid_data и vaccinations_data по столбцам date и country
    #covid_df = covid_data.merge(vaccinations_data, on=['date', 'country'])
    covid_df = pd.merge(covid_data, vaccinations_data, on=['date', 'country'],how='left')
    
    
    # Создаём столбцы death_rate и recover_rate
    covid_df['death_rate'] = covid_df['deaths'] / covid_df['confirmed'] * 100
    covid_df['recover_rate'] = covid_df['recovered'] / covid_df['confirmed'] * 100
    
    grouped_cases = covid_df.groupby('date')['daily_confirmed'].sum()
    
    
    # Добавляем столбец confirmed_per_hundred, который показывает процентное отношение заболевших к общему числу населения в странах
    covid_df['confirmed_per_hundred'] = covid_df['confirmed'] / covid_df['population'] * 100
    
    countries = ['Russia', 'Australia', 'Germany', 'Canada', 'United Kingdom']
    croped_covid_df = covid_df[covid_df['country'].isin(countries)]
    
    populations = pd.DataFrame([
        ['Canada', 37664517],
        ['Germany', 83721496],
        ['Russia', 145975300],
        ['Australia', 25726900],
        ['United Kingdom', 67802690]
        ],
        columns=['country', 'population']
    )
    croped_covid_df = croped_covid_df.merge(populations, on=['country'])
    croped_covid_df['daily_confirmed_per_hundred'] = croped_covid_df['daily_confirmed'] / croped_covid_df['population'] * 100
    
    
    
    # Оставляем только нужные столбцы для построения карты
    croped_covid_df = covid_df[['country', 'date', 'confirmed_per_hundred']]
    
    # Сводим таблицу для отображения на тепловой карте
    heatmap_data = croped_covid_df.pivot('country', 'date', 'confirmed_per_hundred')
    
    # Строим тепловую карту
    plt.figure(figsize=(10, 20))
    sns.heatmap(heatmap_data, cmap='YlOrRd', linewidths=.5, annot=True, fmt='.1f')
    plt.title('Number of Confirmed Cases per Hundred People by Country and Date')
    plt.xlabel('Date')
    plt.ylabel('Country')
    plt.show()
    

    Теперь код должен работать без ошибок.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.