This archive contains 2075259 measurements gathered between December 2006 and November 2010 (47 months). 

https://archive.ics.uci.edu/ml/machine-learning-databases/00235/household_power_consumption.zip

1. (global_active_power*1000/60 - sub_metering_1 - sub_metering_2 - sub_metering_3) represents the active energy consumed every minute (in watt hour) in the household by electrical equipment not measured in sub-meterings 1, 2 and 3. 

2. The dataset contains some missing values in the measurements (nearly 1,25% of the rows). All calendar timestamps are present in the dataset but for some timestamps, the measurement values are missing: a missing value is represented by the absence of value between two consecutive semi-colon attribute separators. For instance, the dataset shows missing values on April 28, 2007.

1. date: Date in format dd/mm/yyyy

2. time: time in format hh:mm:ss 

3. global_active_power: household global minute-averaged active power (in kilowatt) 

4. global_reactive_power: household global minute-averaged reactive power (in kilowatt) 

5. voltage: minute-averaged voltage (in volt) 

6. global_intensity: household global minute-averaged current intensity (in ampere) 

7. sub_metering_1: energy sub-metering No. 1 (in watt-hour of active energy). It corresponds to the kitchen, containing mainly a dishwasher, an oven and a microwave (hot plates are not electric but gas powered). 

8. sub_metering_2: energy sub-metering No. 2 (in watt-hour of active energy). It corresponds to the laundry room, containing a washing-machine, a tumble-drier, a refrigerator and a light. 

9. sub_metering_3: energy sub-metering No. 3 (in watt-hour of active energy). It corresponds to an electric water-heater and an air-conditioner.

В ходе выполнения работы необходимо оценить время выполнения поставленной задачи

• с использованием массивов NumPy (numpy array)
• и фреймов (Python Pandas - DataFrame)

Для каждой из структур данных нужно выполнить профилирование времени выполнения (использовать timeit из одноименного модуля).

Загрузить пакет данных с информацией об основных расходах электрической энергии домохозяйствами, собранных в течение 47 месяцев (12.2006 — 11.2010) можно по ссылке:

https://archive.ics.uci.edu/ml/machine-learning-databases/00235/household_power_consumption.zip

1. date: дата измерения в формате dd / mm / yyyy
2. time: время в формате hh: mm: ss
3. global_active_power: активная мощность, которую потребляет домохозяйство в минуту (усредненно) [кВт]
4. global_reactive_power: реактивная мощность, которую потребляет домохозяйство в минуту (усредненно) [кВт]
5. voltage: напряжение, усредненная в минуту наблюдения [В]
6. global_intensity: усредненная силу тока для домохозяйства [A]
7. sub_metering_1: набор потребителей энергии №1 [Вт-часов активной энергии], соответствует кухни, на которой машина для мытья посуды и микроволновка (электрической плиты нет, используется газовая).
8. sub_metering_2: набор потребителей энергии №2 [Вт-часов активной энергии], соответствует прачечной, в которой работает стиральная машина, сушилка, холодильных и включен свет.
9. sub_metering_3: набор потребителей энергии №3 [Вт-часов активной энергии], соответствует бойлеру и кондиционеру.

Выполнить все задания, используя numpy array, так и dataframe, проанализировать временные затраты на выполнение процедур (профилирования времени выполнения), сделать выводы относительно ситуаций, в которых имеет смысл отдать предпочтение той или иной структуре данных. Выводы оформить отчетом с указанным временем выполнения и оценке по 5-балльной шкале удобства выполнения операций отбора).

Также стоит обратить внимание на то, что нужно оставить только те наблюдения, в которых нет пустых наблюдений

1. Выбрать все домохозяйства, в которых общая активная потребляемая мощность превышает 5 кВт.

2. Выбрать все домохозяйства, в которых вольтаж превышает 235 В.

3. Выбрать все домохозяйства, в которых сила тока лежит в пределах 19-20 А, для них обнаружить те, в которых стиральная машина и холодильных потребляют больше, чем бойлер и кондиционер.

4. Выбрать случайным образом 500 000 домохозяйств (без повторов элементов выборки), для них вычислить средние величины всех 3-х групп потребления электрической энергии.

5. Выбрать те домохозяйства, после 18-00 потребляют более 6 кВт в минуту в среднем, среди отобранных определить те, в которых основное потребление электроэнергии в указанный промежуток времени приходится на стиральную машину, сушилку, холодильник и освещения (группа 2 является крупнейшей) , а затем выбрать каждый третий результат с первой половины и каждый четвертый результат со второй половины.

• https://archive.ics.uci.edu/ml/datasets/Individual+household+electric+power+consumption

• http://pandas.pydata.org/pandas-docs/version/0.15.2/index.html

• https://www.tutorialspoint.com/python_pandas/python_pandas_dataframe.htm

• http://scipy-lectures.github.io/intro/numpy/numpy.html

• https://docs.python.org/2/library/timeit.html

• https://www.programcreek.com/python/example/1834/timeit.Timer

• https://archive.ics.uci.edu/ml/machine-learning-databases/00235/household_power_consumption.zip