。 bring in the csv file by using  read_csv from pandas; don't use any keyword arguments initially

。 use a relative path as if your notebook were opened from the root of the repository if possible ( ../data/raw/NYC_Accidents_2020.csv )

o   compare the resulting  DataFrame against opening the spreadsheet in LibreOffice, Google Sheets, Excel, Numbers, etc. o   you should immediately see an issue with the import

use a keyword argument from the docs (https://pandas.pydata.org/pandas- docs/stable/reference/api/pandas.read_csv.html) to fix the issue

。 in a markdown cell after the import, describe what fix had to be made to make the initial import usable

2. display columns and row samples

o   show only the names of the columns o   show the first 5 rows

o   show a random sampling of 5 rows o   show the last 5 rows

3. describe the rows and data types o   use any method to show:

each column

the type of each column

the number of non-missing values in each column

。 in a markdown cell after displaying the column info:

list out the columns that look like they have the "wrong" (or too wide) type

and next to the column name, specify what type the column should probably be

lastly, preview the remainder of the instructions and write out any data transformations or cleaning that you think will be necessary to complete this part of the homework

4. initial column (or row) clean-up     o   remove at least two columns

in a markdown cell describe why the columns should be removed

show evidence (with code) of why each column should be removed o   rename or transform at least one column

in a markdown cell describe why the column(s) should be renamed

o   (optional) do any other clean up you deem necessary to make the following work easier   5. determine the top three streets(Use the  ON STREET NAME column) that had the most accidents

o   it's ok to show more than 3 streets

o   show the street name and the number of accidents occurred on each street

o    ⚠ document every step that you use to do this, including how the data was cleaned and/or transformed 6. shows the number of accidents that occurred at each borough

o    ⚠ show a visualization that allows comparison of the number of the accidents. BRONX

BROOKLYN QUEENS

MANHATTAN

everything else can fall under "other" (including missing values)

o    ⚠ document every step that you use to do this, including how the data was cleaned and/or transformed

7. calculate summary statistics for the number of persons injured in all NYC and for a couple of selected boroughs (you can choose the two boroughs)

o   use any method to calculate mean, median, percentiles (25 and 75), max, and min o   again, pick two boroughs

calculate summary statistics for each borough: use any method to calculate mean, median, percentiles (25 and 75), max, and min

n    ⚠ in a markdown cell below the calculations, compare the results

o    ⚠ document every step that you use to do this, including how the data was cleaned and/or transformed 8. what are the distributions of accidents based on the geo location (latitude & longitude)?

o    ⚠ show a visualization that shows the accidents that occurred at each borough.

o    ⚠ that is plot the accidents based on the geo location, where x-axis is the latitude & y-axis is the longitude. And then differentiate the points by borough(by point color).

o    ⚠ document every step that you use to do this, including how the data was cleaned and/or transformed 9. shows the covariance between each pair of the columns

o    ⚠ choose the columns that you think are necessary & explain your choices

o    ⚠ document every step that you use to do this, including how the data was cleaned and/or transformed 10. which month did the most number of accidents occur?

o    ⚠ document every step that you use to do this, including how the data was cleaned and/or transformed

the calendar module and  month_abbr (https://docs.python.org/3/library/calendar.html#calendar.month_abbr) may be useful for labels

o   it's ok to show more than one month

o   optionally, visualize this data instead of simply listing the counts

o   in a markdown cell, what can you conclude about when accidents reach a lull?

1. downloading it and placing it into your  data/raw directory

2. linking to it in a markdown cell

Create a data frame from the data; use any method to do this (for example   read_csv )

3. Using the Data

In a markdown cell, describe what you'd like to use the data for:

· repeat the same analysis that you did previously in plain python, but with  pandas instead · perhaps you would simply like to clean it up for further analysis later

Write code to achieve what you've written out above. The code should contain at least 4 (repetition is allowed) of the following (these can overlap with your analysis above):

· 1 filling in missing values · 1 type conversion

· 1 transform a column

· 1 create a new calculated column · 1 visualization

· 1 calculate summary statistics · 1 calculate value counts