学习

输入文件	输出文件	其他提交物
`Group<group_id>_dirty_data.csv`	`Group<group_id>_dirty_data_solution.csv`	`Group<group_id>_ass2_task1.ipynb`
`Group<group_id>_missing_data.csv`	`Group<group_id>_missing_data_solution.csv`	`Group<group_id>_ass2_task1.py`
`Group<group_id>_outlier_data.csv`	`Group<group_id>_outlier_data_solution.csv`
`branches.csv`
`edges.csv`
`nodes.csv`

输入文件	输出文件	其他提交物
`Group<group_id>_dirty_data.csv`	`Group<group_id>_dirty_data_solution.csv`	`Group<group_id>_ass2_task1.ipynb`
`Group<group_id>_missing_data.csv`	`Group<group_id>_missing_data_solution.csv`	`Group<group_id>_ass2_task1.py`
`Group<group_id>_outlier_data.csv`	`Group<group_id>_outlier_data_solution.csv`
`branches.csv`
`edges.csv`
`nodes.csv`

Assessment 2 · Jimmy Huang's Blog

列名	说明
`order_id`	每个订单的唯一 ID。
`date`	下单日期，格式为 `YYYY-MM-DD`。
`time`	下单时间，格式为 `hh:mm:ss`。
`order_type`	表示不同订单类型的类别属性，包括：`Breakfast`、`Lunch` 或 `Dinner`。
`branch_code`	表示下单所在分店代码的类别属性。分店信息在 `branches.csv` 文件中给出。
`order_items`	一个由元组组成的列表，表示订单中的菜品：元组的第一个元素是所点菜品，第二个元素是该菜品的数量。
`order_price`	一个浮点数，表示订单总价。
`customer_lat`	客户纬度，来自 `nodes.csv` 文件。
`customer_lon`	客户经度，来自 `nodes.csv` 文件。
`customerHasloyalty?`	一个逻辑变量，表示客户是否拥有该餐厅的会员卡（有会员为 1，否则为 0）。
`distance_to_customer_KM`	一个浮点数，表示分店节点与客户节点之间的最短距离，单位为公里。该距离基于 `nodes.csv` 和 `edges.csv` 文件计算。可以使用 Dijkstra 算法在图中寻找两个节点之间的最短路径。阅读材料可见这里。
`delivery_fee`	一个浮点数，表示该订单的配送费用。

输出的 CSV 文件必须与对应输入文件拥有完全相同的列。任何拼写错误或列名不匹配都会导致受影响的文件无法通过自动评分器检查，并使该输出文件得 0 分（其他文件不受影响）。
在 Group<group_id>_dirty_data.csv 中，每一行最多只能包含一个异常（也就是说，单行最多只能有一个问题）。
脏数据中的所有异常都有且只有一种可能的修复方式。
Group<group_id>_outlier_data.csv 中除了离群值以外没有其他数据异常。类似地，Group<group_id>_missing_data.csv 中只有覆盖性数据异常（即没有其他数据异常）。
一共有三种餐食类型：
- Breakfast：早晨供应（8am-12pm）
- Lunch：下午供应（12:00:01pm-4pm）
- Dinner：晚上供应（4:00:01pm-8pm）
每种餐食都有一组不同的菜单菜品（例如，早餐菜品不能在午餐或晚餐时段供应）。
为了获得菜品单价，一个有用的、可用于求解多变量方程的 Python 包是 numpy.linalg。
每个分店使用不同的方法计算配送费。所有分店只服务墨尔本客户。配送费与以下因素呈线性关系（但不同分店的线性关系不同）：
1. 周末或工作日（1 或 0）
2. 一天中的时间段（早晨 0，下午 1，晚上 2）
3. 分店与客户之间的距离
建议使用 sklearn.linear_model.LinearRegression 来求解线性模型，方法与教程中演示的一样。建模时不需要将变量设置为类别变量；只需将这些离散数字当作连续变量处理即可。
使用合适的数据进行模型训练，对于得到好的线性模型非常关键（即 R² 分数超过 0.95，并且非常接近 1），这样才能验证配送费。你的模型越好，结果就越准确。
如果客户拥有会员卡，则可获得配送费 50% 的折扣。
餐厅使用 Dijkstra 算法计算客户与餐厅之间的最短距离。请探索 networkx Python 包，或者自行实现该算法。
分店节点和客户节点在 branches.csv、edges.csv 和 nodes.csv 中提供，可在这里获取。各文件结构如下：
- branches.csv — branch_code（字符串，例如 NS/TP/BK）、branch_name（字符串）、branch_lat（浮点数）、branch_lon（浮点数）
- nodes.csv — node（整数，OSM id）、lat（浮点数）、lon（浮点数）
- edges.csv — u（整数节点 ID）、v（整数节点 ID）、distance(m)（浮点数，用作最短路径权重的边长）、street type（整数）、speed(km/h)（浮点数）
以下列不会出现错误（也就是说，不需要在脏数据中检查这些列是否有错误）：
- order_id
- time
- order_items 中的数值型数量
- delivery_fee
对于缺失数据填补，建议你尝试所有可能的缺失值填补方法，并保留能够提供最佳表现的最合适方法。
由于 EDA 是本次作业的一部分，因此不会公开提供更多关于数据的信息。不过，你可以在 tutorial 或 Ed forum 上与教学团队进行头脑风暴。
没有库或包的使用限制。

输入文件	提交物
`Suburb_info.xlsx`	`Group<group_id>_ass2_task2.ipynb`

列名	说明
`suburb`	郊区名称，用作数据索引。
`number_of_houses`	房产所在郊区的 house 数量。
`number_of_units`	房产所在郊区的 unit 数量。
`municipality`	房产所在郊区所属的市政区。
`aus_born_perc`	房产所在郊区中澳大利亚出生人口的百分比。
`median_income`	房产所在郊区人口的收入中位数。
`median_house_price`	房产所在郊区的 house 价格中位数。
`population`	房产所在郊区的人口数量。

输入文件	提交物
`Group<group_number>_AI_declaration.docx`	`Group<group_id>_ass2_task4.pdf`
	`Group_AI_Records.docx/.pdf/.txt`（如适用）

学习

学习

学习

Assessment 2

任务 1：数据清洗（18/40）

表 1：任务 1 的输入与输出

备注

本页目录

学习

Assessment 2

任务 1：数据清洗（18/40）

表 1：任务 1 的输入与输出

备注

本页目录

项目背景

表 2：数据列说明

注意事项

方法论（3/18）

文档说明（1.5/18）

任务 2：数据重塑（6/40）

输入文件与提交物

表 3：`suburb_info.xlsx` 文件说明

文档说明（1.5/6）

任务 3：展示（14/40）

任务详情

要求

缺席的后果

任务 4：生成式 AI 工具声明表（必交，2 分）

输入文件与提交物

任务详情

要求

声明缺失或不完整的后果

提交要求

附录

在 Jupyter Notebook 中

在 Google Colab 中

提交检查清单

Assessment 2

任务 1：数据清洗（18/40）

表 1：任务 1 的输入与输出

备注

Assessment 2

任务 1：数据清洗（18/40）

表 1：任务 1 的输入与输出

备注

项目背景

表 2：数据列说明

注意事项

方法论（3/18）

文档说明（1.5/18）

任务 2：数据重塑（6/40）

输入文件与提交物

表 3：suburb_info.xlsx 文件说明

文档说明（1.5/6）

任务 3：展示（14/40）

任务详情

要求

缺席的后果

任务 4：生成式 AI 工具声明表（必交，2 分）

输入文件与提交物

任务详情

要求

声明缺失或不完整的后果

提交要求

附录

在 Jupyter Notebook 中

在 Google Colab 中

提交检查清单

表 3：`suburb_info.xlsx` 文件说明